Claim Missing Document
Check
Articles

Found 3 Documents
Search
Journal : Jurnal MediaTIK

Enhancement Citra Radiografi Menggunakan EnhanceNet Marwan Ramdhany Edy; Nur Aeni Rahman; Sul Fitriana; Yudha Nurfaiz; Nur Ainung; Amanda Putri
Jurnal MediaTIK Volume 7 Issue 3, September (2024)
Publisher : Jurusan Teknik Informatika dan Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59562/mediatik.v7i3.5936

Abstract

Pengolahan citra digital menjadi esensial dalam era teknologi saat ini, namun tantangan utama terjadi pada citra gelap yang mengurangi kejelasan dan ketajaman. Untuk mengatasi ini, penelitian ini menerapkan metode EnhanceNet untuk meningkatkan citra gelap menjadi terang. Melalui analisis kontras dan penyesuaian kecerahan serta kontras menggunakan teknik peregangan kontras, penelitian ini berhasil meningkatkan kecerahan dan kontras citra gelap. Pengujian menggunakan citra uji menunjukkan peningkatan signifikan dalam distribusi intensitas piksel, menghasilkan gambar yang lebih berkualitas. Kesimpulan menyoroti kontribusi peningkatan citra terhadap kualitas visual dan analisis gambar serta menawarkan saran untuk penelitian selanjutnya dalam pengembangan metode peningkatan citra yang lebih canggih .
Analisis Sentiment Gambar pada Media Sosial dengan Pendekatan Deep Learning Muhammad Ridha Darwis; Adam Ramadhan; Diva Nurul Azila; Siti Fatimah Azzahrah Namar; Rafiqah Amelia Kasim; Marwan Ramdhany Edy
Jurnal MediaTIK Volume 7 Issue 2, Mei (2024)
Publisher : Jurusan Teknik Informatika dan Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59562/mediatik.v7i2.2767

Abstract

Media sosial telah menjadi platform penting untuk berbagi konten dan interaksi, dengan jutaan gambar diposting setiap hari yang mencerminkan berbagai pengalaman dan emosi pengguna. Namun, analisis sentimen tradisional lebih sering dilakukan pada teks dibandingkan gambar. Penelitian ini bertujuan untuk mengembangkan model deep learning, khususnya Convolutional Neural Network (CNN), untuk melakukan analisis sentimen pada gambar. Model ini dirancang untuk mengekstraksi fitur visual dan mengklasifikasikan gambar berdasarkan sentimen (positif, negatif, atau netral). Metode yang digunakan meliputi pengumpulan 50 gambar dari platform media sosial seperti Instagram, Twitter, dan Facebook, yang diberi label sentimen secara manual oleh anotator terlatih. Data kemudian diproses dengan membaginya menjadi data latih (40 gambar), validasi (5 gambar), dan uji (5 gambar). Pengembangan model menggunakan arsitektur CNN seperti VGG16 dengan teknik transfer learning, diikuti dengan evaluasi performa menggunakan data uji. Hasil penelitian menunjukkan bahwa model deep learning yang dikembangkan mampu memprediksi sentimen gambar dengan akurasi 80%, menggunakan metrik seperti precision, recall, dan F1-score. Confusion matrix memberikan gambaran rinci mengenai prediksi yang benar dan salah untuk setiap kategori sentimen. Kesimpulannya, pendekatan deep learning, khususnya CNN, menunjukkan potensi besar dalam analisis sentimen gambar di media sosial. Meskipun ada beberapa kesalahan prediksi, model ini mampu memberikan wawasan berharga tentang reaksi pengguna terhadap konten. Untuk penelitian selanjutnya, disarankan untuk memperbaiki kesalahan prediksi dan meningkatkan akurasi model dengan metode pelabelan data dan pemilihan fitur yang lebih efektif. Teknologi ini juga dapat digunakan untuk mendukung pemantauan konten media sosial guna menciptakan lingkungan online yang lebih aman dan sehat bagi pengguna.
Klasifikasi Citra Dengan Pendekatan Transfer Learning Pada Gambar Fauna Terbang Andi Nurul Inaya; Azzah Ulima Rahma; Miftakhul Jannah; Luthfiyah Ramadhani K. Arafah; Lulu Latifa Ishak; Marwan Ramdhany Edy
Jurnal MediaTIK Volume 7 Issue 1, Januari (2024)
Publisher : Jurusan Teknik Informatika dan Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59562/mediatik.v7i1.2785

Abstract

Indonesia, dengan kekayaan alamnya yang luar biasa, menjadi rumah bagi beragam fauna, termasuk burung. Namun, melindungi dan mengkatalogisasi keragaman ini memerlukan metode yang efisien dan akurat. Dalam konteks ini, pendekatan transfer learning menonjol sebagai alat yang dapat meningkatkan klasifikasi citra fauna terbang. Penelitian ini menggunakan Google Colab sebagai lingkungan pengkodean, memanfaatkan kemudahan penyimpanan dan akses data melalui Google Drive. Kami memproses dataset ImageNet dengan metode transfer learning menggunakan bahasa pemrograman Python. Hasil dari penelitian ini diharapkan dapat memberikan kontribusi dalam berbagai aplikasi, termasuk pengenalan objek, deteksi wajah, dan segmentasi objek. Secara khusus, dalam pengembangan perangkat lunak, klasifikasi citra seperti ini dapat diterapkan dalam sistem pengenalan hewan berbasis gambar, keamanan berbasis kamera, atau aplikasi pencarian berdasarkan gambar.