Claim Missing Document
Check
Articles

Found 2 Documents
Search

Implementasi Metode Convolutional Neural Network (CNN) Dalam Klasifikasi Motif Batik. anastasya, disty; Fahri, Syahrul; Situmorang, Stefania
NUANSA INFORMATIKA Vol. 18 No. 1 (2024): Nuansa Informatika 18.1 Januari 2024
Publisher : FKOM UNIKU

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25134/ilkom.v18i1.21

Abstract

Indonesia is renowned for its diverse ethnicities, each contributing to a culturally rich mosaic. Among the distinctive regional traits, batik stands out prominently, evolving uniquely in each part of the country. However, the diversity in batik designs often confuses people trying to identify the region of origin due to similarities in patterns. Deciphering these unique batik motifs typically requires specialized knowledge, particularly from individuals well-versed in the art of batik. Reviews suggest that employing pattern recognition methods is an effective way to tackle this challenge. In today's technological landscape, various methods have emerged to aid in recognizing fabric motifs. This study utilizes the Convolutional Neural Network (CNN) method with the Efficient Net-B0 architecture. The tests conducted to identify batik motifs using this approach yielded a highest accuracy result of 79.62% for the test data and an accuracy validation result of 73.33%. These findings underscore the potential of advanced technologies, specifically the CNN with Efficient Net-B0 architecture, in accurately discerning and distinguishing batik motifs.
Deteksi Kemacetan dengan Deep Learning YOLOv4 dan Euclidean Distance Tracker pada Jalan Raya di Kota Medan Manurung, Jeremia; Azizi, Nur; Anastasya, Disty; Valentino, Nicholas; Sanjaya, Aditia; Saputra, Kana
JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesia) Vol. 8 No. 1 (2023): JUSTINDO
Publisher : Universitas Muhammadiyah Jember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32528/justindo.v8i1.220

Abstract

Kemacetan lalu lintas di Kota Medan menyebabkan waktu yang hilang sebesar 35,6 menit per hari untuk sepeda motor dan 48,5 menit per hari untuk mobil. Total biaya kemacetan di Kota Medan mencapai Rp. 22.535.355.867/tahun.  Dengan adanya pendeteksian kemacetan secara realtime maka diharapkan dapat mengurangi kemacetan lalu lintas apabila diintegrasikan dengan sistem pengatur lalu lintas. Penelitian ini menerapkan metode Deep Learning YOLO versi 4 Euclidean Distance Tracker. YOLOv4 digunakan untuk mendeteksi objek seperti mobil, motor, bus, dan becak. Euclidean Distance Tracker digunakan untuk melacak perpindahan objek yang telah dideteksi oleh YOLOv4. Adapun data yang digunakan adalah data lalu lintas berupa video dari CCTV yang disediakan oleh Pemerintah Kota Medan, Sumatera Utara. Dari hasil penelitian ini dapat diambil kesimpulan YOLOv4 dapat digunakan untuk mendeteksi kendaraan yang memiliki jarak kendaraan yang cukup antara kendaraan yang satu dengan kendaraan yang lainnya (Akurasi 61,3%). Dengan mengintegrasikan Euclidean Distance Tracker, pendeteksi kemacetan memiliki hasil akurasi maksimum (Akurasi 100%) pada sample frame yang diuji.