Article Per Year (5 Year)
p-Index From 2020 - 2025
0.562
P-Index
This Author published in this journals
All Journal Jurnal Ampere JSAI (Journal Scientific and Applied Informatics)
Julian Mulyadi
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Penerapan Optical Character Recognition (OCR) Dalam Pengambilan Teks Judul Buku Untuk Digitalisasi Arsip Perpustakaan Julian Mulyadi; Nuri David Maria Veronika
JSAI (Journal Scientific and Applied Informatics) Vol 8 No 2 (2025): Juni
Publisher : Fakultas Teknik Universitas Muhammadiyah Bengkulu

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36085/jsai.v8i2.8457

Abstract

The advancement of information technology requires libraries to transform into digital services. One important step in this process is the digitization of book titles, which has previously been carried out manually and is prone to errors. This study aims to develop a system for extracting book title text from cover images using the Optical Character Recognition (OCR) method based on MATLAB 2017b. The OCR method used in this research applies a template matching and feature extraction approach, where characters are recognized by matching them against built-in character templates in the system after going through an image preprocessing phase. The preprocessing stages include Region of Interest (ROI) selection, grayscale conversion, contrast enhancement, noise removal, and image resizing. After preprocessing, the text is extracted using OCR and stored in digital format. The system was tested using 60 book cover images from the Regional Library of Bengkulu Province, featuring various font types, colors, and lighting conditions. The test results, evaluated using a confusion matrix, show good system performance with an accuracy of 81.67%, precision of 83.05%, and recall of 98.00%. The high recall value indicates that the system is capable of accurately recognizing most of the book title text. Therefore, this system can serve as an initial solution to support the automatic, fast, and efficient digitization of library archives.
Klasifikasi Penyakit pada Daun Sirih Menggunakan K-Nearest Neighbor (KNN) Berdasarkan Ekstraksi Fitur Gray Level Co-occurrence Matrix (GLCM) Julian Mulyadi; Nuri David Maria Veronika
Jurnal Ampere Vol. 10 No. 1 (2025): JURNAL AMPERE
Publisher : Universitas PGRI Palembang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31851/ampere.v10i1.18170

Abstract

Daun sirih (Piper betle L.) merupakan tanaman merambat yang tumbuh subur di wilayah tropis, termasukAsia hingga Afrika Timur. Secara empiris, daun sirih memiliki berbagai khasiat dalam pengobatantradisional karena mengandung senyawa kimia yang bermanfaat bagi kesehatan. Namun, produksi daunsirih rentan terhadap serangan hama dan penyakit tanaman, yang menyebabkan penurunan kualitas dankuantitas hasil panen. Berdasarkan permasalahan tersebut, penelitian ini mengembangkan sistem klasifikasi penyakit pada daun sirih dengan menerapkan ekstraksi fitur Gray Level Co-occurrence Matrix(GLCM) dan metode klasifikasi K-Nearest Neighbor (KNN). Penelitian ini menggunakan datasetsebanyak 150 citra, yang terdiri dari 120 citra sebagai data latih dan 30 citra sebagai data uji, dengan tigakategori utama, yaitu daun sirih sehat, daun sirih dengan penyakit bercak daun, dan daun sirih yangmengalami kerusakan akibat bekicot. Hasil klasifikasi menunjukkan bahwa metode KNN dengan nilaiK = 3 dan K = 5 memberikan akurasi tertinggi sebesar 90%, dengan 27 citra diklasifikasikan denganbenar dan 3 citra mengalami kesalahan klasifikasi dari 30 citra yang diuji. Hasil ini membuktikan bahwakombinasi metode KNN dan ekstraksi fitur GLCM efektif dalam mengklasifikasikan penyakit pada daunsirih, sehingga dapat digunakan sebagai sistem pendukung dalam meningkatkan produktivitas pertanian.
Klasifikasi Penyakit pada Daun Sirih Menggunakan K-Nearest Neighbor (KNN) Berdasarkan Ekstraksi Fitur Gray Level Co-occurrence Matrix (GLCM) Julian Mulyadi; Nuri David Maria Veronika
Jurnal Ampere Vol. 10 No. 1 (2025): JURNAL AMPERE
Publisher : Universitas PGRI Palembang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31851/ampere.v10i1.18170

Abstract

Daun sirih (Piper betle L.) merupakan tanaman merambat yang tumbuh subur di wilayah tropis, termasukAsia hingga Afrika Timur. Secara empiris, daun sirih memiliki berbagai khasiat dalam pengobatantradisional karena mengandung senyawa kimia yang bermanfaat bagi kesehatan. Namun, produksi daunsirih rentan terhadap serangan hama dan penyakit tanaman, yang menyebabkan penurunan kualitas dankuantitas hasil panen. Berdasarkan permasalahan tersebut, penelitian ini mengembangkan sistem klasifikasi penyakit pada daun sirih dengan menerapkan ekstraksi fitur Gray Level Co-occurrence Matrix(GLCM) dan metode klasifikasi K-Nearest Neighbor (KNN). Penelitian ini menggunakan datasetsebanyak 150 citra, yang terdiri dari 120 citra sebagai data latih dan 30 citra sebagai data uji, dengan tigakategori utama, yaitu daun sirih sehat, daun sirih dengan penyakit bercak daun, dan daun sirih yangmengalami kerusakan akibat bekicot. Hasil klasifikasi menunjukkan bahwa metode KNN dengan nilaiK = 3 dan K = 5 memberikan akurasi tertinggi sebesar 90%, dengan 27 citra diklasifikasikan denganbenar dan 3 citra mengalami kesalahan klasifikasi dari 30 citra yang diuji. Hasil ini membuktikan bahwakombinasi metode KNN dan ekstraksi fitur GLCM efektif dalam mengklasifikasikan penyakit pada daunsirih, sehingga dapat digunakan sebagai sistem pendukung dalam meningkatkan produktivitas pertanian.
Co-Authors Nuri David Maria Veronika