Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Seminar Nasional Riset dan Teknologi (SEMNAS RISTEK)
Sitorus, Krisna Jonathan
Unknown Affiliation
Civil Engineering, Building, Construction & Architecture Computer Science & IT Education Engineering Other

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
NOAA IMAGE CLASSIFICATION USING GOOGLE’S TEACHABLE MACHINE Ajhari, Abdul Azzam; Sitorus, Krisna Jonathan; Lyrawati, Dayang Putri Nur; Sridana, Edward Felix Satria; Lestari, Ria; Farida, Wahyuni Vivi
Semnas Ristek (Seminar Nasional Riset dan Inovasi Teknologi) Vol 7, No 1 (2023): SEMNAS RISTEK 2023
Publisher : Universitas Indraprasta PGRI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30998/semnasristek.v7i1.6244

Abstract

Para peneliti telah mencoba membantu kehidupan manusia dengan memanfaatkan citra satelit. Salah satu satelit yang dapat menyediakan data citra satelit adalah satelit National Oceanic and Atmospheric Administration (NOAA). Satelit ini secara khusus menangkap kondisi fisik laut dan atmosfer bumi dengan sisi negatif bahwa tidak semua data yang diperoleh berkualitas baik karena adanya intervensi frekuensi radio. Dalam tulisan ini, penggunaan kecerdasan buatan/Artificial Intelligence (AI) diterapkan untuk mengatasi masalah tersebut dengan membuat model pembelajaran mesin/Machine Learning (ML) menggunakan mesin yang bisa diajar dari google/Google’s Teachable Machine untuk mengklasifikasikan gambar dari perangkat frekuensi radio Weather Satellite Communication (WeSaCom) yang menangkap gambar menjadi mampu menyaring gambar. Data mining digunakan sebagai metodologi untuk mengumpulkan data citra dari satelit NOAA. Dataset citra dari satelit dianalisis dan dikelompokkan menjadi dua kelas, baik dan buruk. Kelas-kelas ini digunakan untuk membangun model dengan tujuan mengklasifikasikan data gambar yang diperoleh dari satelit NOAA melalui perangkat frekuensi radio WeSaCom. Hasilnya, ditemukan bahwa model Google Teachable Engine yang diterapkan pada perangkat WeSaCom mampu mengklasifikasikan data gambar dari NOAA dengan akurasi 96,72%.
Co-Authors Ajhari, Abdul Azzam Farida, Wahyuni Vivi Lyrawati, Dayang Putri Nur Ria Lestari, Ria Sridana, Edward Felix Satria