Article Per Year (5 Year)
p-Index From 2020 - 2025
1.323
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Regasari Mardi Putri, Rekyan
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

Published : 9 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 9 Documents
Search

 1 
Perbandingan Penggunaan DenseNet201 dan YOLOv8 Pada Pengembangan Sistem Klasifikasi Sampah pada Raspberry Pi 4 Menggunakan Kamera Penglihatan Malam Pradipto, Arya; Regasari Mardi Putri, Rekyan; Setia Budi, Agung
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 3 (2025): Maret 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penanganan sampah yang tidak efisien dapat menyebabkan dampak negatif bagi lingkungan. Maka dari itu diperlukan teknologi otomatisasi untuk membantu identifikasi dan klasifikasi sampah. Penelitian ini mengembangkan penelitian terlebih dahulu dan membandingkan penggunaan DenseNet201 dan YOLOv8 untuk deteksi dan klasifikasi sampah menggunakan Raspberry Pi 4 dan Kamera OV5647 pada kondisi pencahayaan dinamis. Fokus utama penelitian adalah penentuan epoch terbaik, perbandingan confusion matrix terhadap accuracy, precision, recall, dan f1-score, pengujian akurasi dalam empat kondisi pencahayaan, serta analisis performa meliputi CPU usage, latensi inferensi, dan penggunaan daya. Hasil penelitian menunjukkan bahwa DenseNet201 mencapai performa terbaik pada epoch 10, sedangkan YOLOv8 pada epoch 33. DenseNet201 memiliki confusion matrix terbaik dengan accuracy 97.3%, precision 97.5%, recall 97.1%, dan f1-score 97.3%. Di sisi lain, YOLOv8 unggul dalam lima kategori akurasi, termasuk akurasi keseluruhan 91.87%, akurasi 100% pada sampah anorganik, dan akurasi terbaik pada sampah residu serta pencahayaan 2 dan 4 (95%). Dalam hal efisiensi, YOLOv8 menunjukkan CPU usage rata-rata 9.83%, latensi inferensi 2265.714 ms, dan penggunaan daya 6.7W. Berdasarkan hasil perbandingan tersebut, model YOLOv8 lebih unggul untuk klasifikasi sampah pada Raspberry Pi 4 dalam kondisi pencahayaan yang bervariasi, berkat efisiensi dan performa yang lebih baik secara keseluruhan.
Klasifikasi Kanker Kulit Jinak Dan Ganas Menggunakan Metode Xception Berbasis Raspberry Pi Kembar Duanti, Regina; Regasari Mardi Putri, Rekyan; Setiawan, Eko
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 4 (2025): April 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Deteksi dini kanker kulit menjadi tantangan utama, terutama di negara berkembang seperti Indonesia, yang memiliki keterbatasan akses alat diagnostik modern. Penelitian ini mengembangkan sistem klasifikasi kanker kulit berbasis metode Xception pada Raspberry Pi 3 dan Webcam untuk membedakan tiga kelas: jinak (benign), ganas (malignant), dan normal. Dataset terdiri dari 3.000 sampel, dibagi untuk pelatihan (80%) dan validasi (20%). Data preprocessing dilakukan melalui normalisasi dan augmentasi. Model Xception dilatih menggunakan TensorFlow, kemudian dioptimalkan ke format TensorFlow Lite untuk implementasi pada Raspberry Pi. Pengujian sistem meliputi evaluasi akurasi, waktu pemrosesan, dan efisiensi sumber daya. Hasil menunjukkan akurasi pelatihan terbaik pada epoch ke-13, dengan akurasi validasi 0.8967 dan loss 0.2381. Model mencapai akurasi 85% untuk tipe jinak, 85,1% untuk tipe ganas, dan 99% untuk tipe normal secara real-time, dengan waktu pemrosesan 3-7 detik per gambar. Sistem stabil pada Raspberry Pi 3 dengan konsumsi daya minimal. Sistem ini menawarkan solusi terjangkau untuk deteksi dini kanker kulit, terutama di wilayah dengan fasilitas kesehatan terbatas.
Implementasi Algoritma Xception pada Sistem Deteksi Katarak Menggunakan Raspberry Pi Berbasis Citra Mata Wulandari, Aryani; Regasari Mardi Putri, Rekyan; Setia Budi, Agung
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 4 (2025): April 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Katarak merupakan penyebab utama kebutaan yang dapat dicegah, namun akses diagnosis di wilayah terpencil masih menjadi tantangan signifikan. Penelitian ini bertujuan mengembangkan sistem deteksi katarak portabel berbasis Raspberry Pi dengan algoritma Xception untuk klasifikasi citra mata. Sistem ini memanfaatkan Raspberry Pi 3 Model B yang terintegrasi dengan webcam untuk akuisisi citra, serta mengimplementasikan arsitektur Xception yang telah dimodifikasi untuk klasifikasi biner (katarak dan non-katarak). Model dikembangkan menggunakan dataset sebanyak 10.000 citra mata dengan rasio data training dan validation 80:20, serta memanfaatkan teknik transfer learning dan fine-tuning dengan bobot awal dari ImageNet. Hasil pengujian menunjukkan epoch terbaik pada epoch ke-18 dari 20 epoch, dengan validasi akurasi model sebesar 0.985, dengan precision dan recall tinggi pada kedua kelas. Implementasi pada perangkat Raspberry Pi menunjukkan performa yang efisien, dengan waktu inferensi 3-8 detik per citra, penggunaan CPU 18-54,4%, serta memori stabil antara 57-60%. Pengujian lanjutan pada data baru juga membuktikan sistem mampu mendeteksi katarak dengan tingkat kepercayaan yang bervariasi. Sistem ini berpotensi menjadi solusi deteksi awal katarak yang efisien dan portabel, khususnya untuk fasilitas kesehatan dengan sumber daya terbatas.
Sistem Deteksi Tingkat Engagement Terhadap Video Iklan Berdasarkan Fitur Facial Landmark Dengan Metode Random Forest Berbasis Raspberry Pi Elvindo, Mochamad; Abdurrachman Bachtiar, Fitra; Regasari Mardi Putri, Rekyan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 13 (2025): Publikasi Khusus Tahun 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Naskah ini akan diterbitkan di Konferensi Internasional
Deteksi Stres Pengemudi Berbasis Photoplethysmograph dan Galvanic Skin Response Menggunakan Random Forest Pada Raspberry Pi Putra Primayanto, Reza; Regasari Mardi Putri, Rekyan; Abdurrachman Bachtiar, Fitra
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 13 (2025): Publikasi Khusus Tahun 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Naskah ini akan diterbitkan di Konferensi Internasional
Perbandingan Penggunaan ResNet50 dan DenseNet201 dalam Sistem Identifikasi dan Klasifikasi Sampah Dengan Raspberry Pi 4 Aditya Fadhil, Rifqi; Regasari Mardi Putri, Rekyan; Setia Budi, Agung
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 13 (2025): Publikasi Khusus Tahun 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Naskah ini akan diterbitkan di Jurnal Nasional Terakreditasi
Rancang Bangun Prototipe Sistem Pemilahan E-Waste Menggunakan MobileNetV3 Berbasis Raspberry Pi 4 Fauzan Al-Rafi, Muhammad; Regasari Mardi Putri, Rekyan; Setiawan, Eko
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 7 (2025): Juli 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Seiring meningkatnya konsumsi perangkat elektronik, volume limbah elektronik (e-waste) di Indonesia terus bertambah hingga mencapai 1,9 juta ton pada tahun 2022, namun tingkat daur ulangnya masih sangat rendah. Proses pemilahan yang umumnya masih manual menjadi salah satu kendala utama karena tidak efisien dan berisiko bagi kesehatan pekerja. Penelitian ini bertujuan merancang dan membangun sebuah prototipe sistem pemilahan e-waste otomatis untuk meningkatkan efisiensi dan keamanan. Sistem ini memanfaatkan Raspberry Pi 4 sebagai unit pemrosesan utama dan menerapkan algoritma deep learning MobileNetV3-Small untuk mengklasifikasikan empat jenis e-waste umum: baterai, kabel, papan sirkuit (PCB), dan lampu. Model dilatih menggunakan teknik transfer learning pada dataset yang disiapkan melalui platform Roboflow dan diimplementasikan menggunakan ONNX Runtime untuk inferensi yang cepat pada perangkat edge. Hasil pengujian menunjukkan prototipe mampu bekerja secara efektif. Tingkat akurasi klasifikasi fungsional sistem mencapai 92,5%. Waktu komputasi rata-rata yang dibutuhkan model untuk melakukan inferensi adalah 0,050 detik, dengan total waktu siklus pemilahan rata-rata 8,60 detik. Hasil ini membuktikan bahwa prototipe yang dikembangkan merupakan solusi yang cepat, akurat, dan layak untuk otomatisasi tahap awal pengelolaan e-waste.
Sistem Pintu Cerdas Berbasis Pengenalan Wajah dan Kartu Identitas Menggunakan YOLOv8 dan Optical Character Recognition (OCR) Ilhami Rizki, Anugrah; Regasari Mardi Putri, Rekyan; Hazbiy Shaffan, Nur
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 4 (2025): April 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Serangan spoofing telah menjadi ancaman serius pada sistem pintu cerdas berbasis pengenalan wajah. Serangan ini memungkinkan pengguna yang tidak sah untuk mendapatkan akses untuk mesuk ke dalam area yang dilindungi pada sebuah fasilitas. Untuk mengatasi permasalahan ini, penelitian ini mengusulkan solusi berupa implementasi autentikasi multi-faktor pada sistem cerdas berbasis pengenalan wajah dengan menambahkan faktor autentikasi kedua berbasis pengenalan teks kartu identitas. Penelitian ini bertujuan untuk mengetahui apakah penambahan autentikasi berbasis pengenalan teks kartu identitas dapat meningkatkan keamanan sistem pintu cerdas berbasis pengenalan wajah terhadap ancaman serangan spoofing. Untuk autentikasi pengenalan wajah, penelitian ini menggunakan metode dan algoritma yang telah ada sebelumnya dan menggunakan model pengenalan wajah yang telah dilatih melalui pustaka face_recognition pada Python. Sedangkan untuk autentikasi pengenalan teks kartu identitas, sistem ini menggunakan deteksi objek menggunakan model YOLOv8 yang dilatih menggunakan data primer, pengenalan teks menggunakan Tesseract OCR, serta ekstraksi informasi menggunakan regular expression. Kartu identitas yang digunakan adalah kartu identitas khusus dengan data fiktif yang dirancang khusus hanya untuk penelitian ini. Penelitian ini menggunakan 4 kelas pada pengujian dengan masing-masing kelas sebanyak 10 kali percobaan, dimana 1 kelas merepresntasikan pengguna sah sedangkan 3 kelas yang lainnya merepresentasikan pengguna tidak sah dengan 3 skenario yang berbeda. Hasil pengujian menunjukkan bahwa penambahan autentikasi berbasis pengenalan teks kartu identitas dapat meningkatkan keamanan sistem pintu cerdas berbasis pengenalan wajah terhadap serangan spoofing. Hal ini ditunjukkan dengan kemampuan sistem untuk mencegah terjadinya false postive oleh serangan spoofing yang dilambangkan dengan nilai spesifitas, dimana nilai ini meningkat dari 0.15 menjadi 1. Selain itu, hasil pengujian juga menunjukkan bahwa penambahan autentikasi berbasis pengenalan teks kartu identitas juga meningkatkan nilai akurasi sistem secara keseluruhan dari 0.575 menjadi 0.775. Dengan ini, diharapkan penelitian ini dapat menjadi solusi untuk mengatasi ancaman serangan spoofing pada sistem pintu cerdas berbasis pengenalan wajah.
Sistem Pendeteksi Stres Pada Pengemudi Berdasarkan Heart Rate Variability Menggunakan Algoritma K-Nearest Neighbor Berbasis Raspberry Pi Mukti Wibowo, Panji; Abdurrachman Bachtiar, Fitra `; Regasari Mardi Putri, Rekyan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 13 (2025): Publikasi Khusus Tahun 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Naskah ini akan diterbitkan di Konferensi internasional
Co-Authors Abdurrachman Bachtiar, Fitra Abdurrachman Bachtiar, Fitra ` Aditya Fadhil, Rifqi Eko Setiawan Elvindo, Mochamad Fauzan Al-Rafi, Muhammad Hazbiy Shaffan, Nur Ilhami Rizki, Anugrah Kembar Duanti, Regina Mukti Wibowo, Panji Pradipto, Arya Putra Primayanto, Reza Setia Budi, Agung Wulandari, Aryani