Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal ILKOM Jurnal Ilmiah Journal of Electrical Engineering and Computer (JEECOM)
Irawanto, Indra
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Energy

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Peningkatan Akurasi Deteksi Kendaraan Menggunakan Kombinasi Haar Cascade Classifier dan Convolutional Neural Networks (CNN) Irawanto, Indra; Sunyoto, Andi; Kusnawi, Kusnawi
Journal of Electrical Engineering and Computer (JEECOM) Vol 6, No 1 (2024)
Publisher : Universitas Nurul Jadid

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33650/jeecom.v6i1.8242

Abstract

Teknologi pengolahan citra digital dan computer vision telah memainkan peran penting dalam meningkatkan sistem pengaturan lalu lintas. Meskipun kamera CCTV umum digunakan, kebanyakan sistem masih bersifat pasif dan terbatas dalam pengawasan arus lalu lintas. Dalam menanggapi kebutuhan akan sistem yang lebih proaktif dan adaptif, dikembangkan berbagai sistem Manajemen Lalu Lintas Pintar yang mengintegrasikan teknologi deteksi objek kendaraan canggih, seperti kombinasi Haar Cascade Classifier dengan Convolutional Neural Network (CNN). Haar Cascade Classifier efektif dalam mendeteksi objek real-time, namun dapat mengalami kesulitan dalam kondisi gambar kompleks. Integrasi dengan CNN diharapkan meningkatkan akurasi deteksi kendaraan dalam berbagai kondisi pencahayaan dan latar belakang. Penelitian ini bertujuan untuk mengeksplorasi arsitektur CNN yang optimal untuk diintegrasikan dengan Haar Cascade guna mencapai efisiensi dan akurasi deteksi kendaraan yang lebih tinggi dalam pengaturan lalu lintas. Dari hasil eksperimen, kombinasi Haar Cascade dan CNN efektif dalam mendeteksi dan mengestimasi jumlah kendaraan. Performa model tergantung pada kompleksitas gambar, di mana semakin kompleks gambar, semakin rendah akurasi dan sensitivitasnya. Penggunaan arsitektur MobileNet dan Xception menunjukkan kemampuan yang baik dalam mendeteksi kendaraan, dengan Xception memberikan sedikit peningkatan dalam akurasi (80.13%) dibandingkan dengan MobileNet (79.19%), namun dengan waktu komputasi yang sedikit lebih lama (1.02 detik dibandingkan dengan 0.82 detik). Pilihan antara kedua model tergantung pada kebutuhan spesifik aplikasi, seperti kebutuhan untuk akurasi yang lebih tinggi atau kecepatan pemrosesan yang lebih cepat. Dengan demikian, penelitian ini berpotensi untuk memberikan kontribusi signifikan bagi pengembangan sistem lalu lintas yang lebih cerdas dan responsif di masa depan.
Sentiment Analysis and Classification of Forest Fires in Indonesia Irawanto, Indra; Widodo, Cynthia; Hasanah, Atin; Dharma Kusumah, Prema Adhitya; Kusrini, Kusirini; Kusnawi, Kusnawi
ILKOM Jurnal Ilmiah Vol 15, No 1 (2023)
Publisher : Prodi Teknik Informatika FIK Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/ilkom.v15i1.1337.175-185

Abstract

Twitter is a well-known social media platform since it allows users to retweet, leave comments, exchange the latest information, and even find out about forest fires. However, no one has processed Twitter data in the form of the topic of forest fires. Despite the fact that this information is incredibly important for determining how much people care about sharing this knowledge and this phenomenon. Hence, one of the efforts in managing Twitter data in the form of text is using NLP (Natural Language Processing) which is now starting to be widely discussed. In addition, the use of word weighting utilizing Vader will also be used in this process. Furthermore, the use classifying process is conducted using 3 kinds of algorithms including Naïve Bayes, Random Forest and SVM (Support Vector Machine). The results of this study, the accuracy obtained from each method has not reached 90%. The Precision, Recall and F1-Score values have also not reached 90%.
Co-Authors Andi Sunyoto Dharma Kusumah, Prema Adhitya Hasanah, Atin Kusnawi Kusnawi Kusrini, Kusirini Widodo, Cynthia