cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Andi Baso Kaswar
Contact Email
a.baso.kaswar@gmail.com
Phone
+6285656227888
Journal Mail Official
fakhri@diginus.id
Editorial Address
Antang, Makassar, South Sulawesi, Indonesia
Location
Kota makassar,
Sulawesi selatan
INDONESIA
Journal of Deep Learning, Computer Vision and Digital Image Processing
Published by Sakura Digital Nusantara
ISSN : 29868920     EISSN : 29868939     DOI : https://doi.org/10.61255/decoding
Core Subject : Science,
Computer Science & IT
The Journal of Deep Learning, Computer Vision and Digital Image Processing (DECODING), covers all topics of artificial intelligence and soft computing and their applications, including but not limited to: • Neural networks • Reasoning and evolution • Intelligent search • Intelligent planning • Intelligence applications • Computer vision and speech understanding • Multimedia and cognitive informatics • Data mining and machine learning tools, heuristic and AI planning strategies and tools, computational theories of learning • Technology and computing (like particle swarm optimization); intelligent system architectures • Knowledge representation • Bioinformatics • Natural language processing • Automated reasoning • Logic programming • Machine learning • Visual/linguistic perception • Evolutionary and swarm algorithms • Derivative-free optimisation algorithms • Fuzzy sets and logic • Rough sets • Simulated biological evolution algorithms (like genetic algorithm, ant colony optimization, etc) • Multi-agent systems • Data and web mining • Emotional intelligence • Hybridisation of intelligent models/algorithms • Parallel and distributed realisation ofintelligent algorithms/systems • Application in pattern recognition, image understanding, control, robotics and bioinformatics • Application in system design, system identification, prediction, scheduling and game playing • Application in VLSI algorithms and mobile communication/computing systems
Arjuna Subject : Ilmu Komputer (semua kategori) - Kecerdasan Buatan
Articles 4 Documents
 1 
Search results for , issue "Volume 2 Issue 2 September 2024" : 4 Documents clear
Klasifikasi Tingkat Kematangan Buah Jeruk Nipis (Citrus Aurantifolia) Menggunakan Metode Jaringan Saraf Tiruan Berbasis Citra Digital Nurhidayat; Andi Jaedil Bugdady; Fadhil Dhanendra; Marwan Ramdhany Edy
Journal of Deep Learning, Computer Vision, and Digital Image Processing Volume 2 Issue 2 September 2024
Publisher : CV. Sakura Digital Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61255/decoding.v2i2.547

Abstract

Jeruk Nipis Merupakan warisan budaya indonesia yang telah diturunkan berabad-abad. Buah Jeruk nipis memiliki banyak Vitamin terutama Vitamin C yang dianggap bermanfaat signifikan kepada Tubuh. Penelitian ini bertujuan untuk mengetahui tingkat kematangan buah jeruk nipis (Citrus Aurantifolia) menggunakan Citra digital. Penelitian ini dilakukan pada bulan Maret 2024. Penelitian ini menggunakan Metode Jaringan Saraf Tiruan (JST) dengan penggambilan citra jeruk nipis untuk mendeteksi tingkat kematangan buah Jeruk Nipis yang dibagi menjadi dua dataset Uji dan Latih. Hasil penelitian menunjukkan bahwa metode ini mencapai tingkat akurasi sebesar 87% pada tahap pelatihan dan 68% pada tahap pengujian. Waktu komputasi yang dibutuhkan untuk mengklasifikasikan satu citra adalah 207.36 detik pada tahap pelatihan dan 42.15 detik pada tahap pengujian.
Klasifikasi tingkat aroma daun jeruk purut menggunakan metode jaringan saraf tiruan backpropagation Muh. Asmar; M. Rizky Kurniawan; Reynaldi Nafzal Ashari; Muh. Akbar; Rezki Nurul Jariah S.Intam
Journal of Deep Learning, Computer Vision, and Digital Image Processing Volume 2 Issue 2 September 2024
Publisher : CV. Sakura Digital Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61255/decoding.v2i2.548

Abstract

Penelitian ini bertujuan untuk mengembangkan metode klasifikasi tingkat aroma pada daun jeruk menggunakan citra daun sebagai input. Dataset yang digunakan terdiri dari 300 lembar daun jeruk yang dibagi menjadi tiga kelas aroma: kuat, sedang, dan rendah. Proses klasifikasi melibatkan tahap preprocessing, ekstraksi fitur, pelatihan model menggunakan Jaringan Saraf Tiruan (JST), dan pengujian model. Tahap preprocessing mencakup ekstraksi channel warna dan segmentasi citra. Fitur-fitur warna dan tekstur diekstraksi untuk digunakan dalam pelatihan model JST. Hasil eksperimen menunjukkan bahwa menggunakan fitur warna RGB memberikan akurasi pelatihan sebesar 91,25% dengan waktu komputasi 5,79 detik per citra, dan akurasi pengujian mencapai 100% dengan waktu komputasi 7,76 detik per citra. Hal ini menunjukkan bahwa metode klasifikasi yang dikembangkan mampu dengan baik dalam menentukan tingkat aroma daun jeruk. Namun, dalam penelitian ini kami menyarankan perbaikan pada proses akuisisi citra dan pengembangan metode klasifikasi tambahan untuk meningkatkan keakuratan dalam menentukan tingkat aroma daun jeruk.
Klasifikasi Tingkat Kesegaran Sayur Bayam Berdasarkan Tekstur Daunnya Berbasis Citra Digital Khaidir; Reyna Buryani Al’Safinat; A. Muhammad Fuad Fadhlurrahman; By Tri Agung Nusantara Kr. J. Tompong; Jessica Crisfin Lapendy
Journal of Deep Learning, Computer Vision, and Digital Image Processing Volume 2 Issue 2 September 2024
Publisher : CV. Sakura Digital Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61255/decoding.v2i2.549

Abstract

Penelitian ini bertujuan untuk mengklasifikasikan tingkat kesegaran sayur bayam berdasarkan tekstur daunnya menggunakan citra digital. Metode yang diusulkan terdiri dari 6 tahap, yaitu akuisisi citra, preprocessing, segmentasi, operasi morfologi, ekstraksi fitur, dan klasifikasi. Penelitian ini menggunakan metode klasifikasi untuk menentukan kualitas bayam menggunakan algoritma K-Means dengan fitur RGB + LAB + TEKSTUR. Hasil menunjukkan akurasi tertinggi sebesar 92,91% untuk data latih dan 88,33% untuk data uji. Proses morfologi dalam penelitian dimulai dengan operasi opening pada gambar segmentasi menggunakan elemen struktural berbentuk disk berukuran 3 piksel, dilanjutkan dengan hole filling untuk mengisi lubang kecil di dalam objek, dan bwareaopen untuk menghilangkan noise atau objek kecil yang tidak penting. Tahap ekstraksi fitur mencakup fitur warna dan tekstur, dengan menggunakan GLCM untuk menghitung nilai homogeneity, contrast, correlation, dan energy. Tahap klasifikasi dilakukan dengan algoritma clustering K-Means untuk membedakan kelas gambar daun bayam berdasarkan kualitasnya. Saran untuk penelitian selanjutnya adalah memperbaiki proses pengambilan gambar dan mencoba metode klasifikasi dan fitur lainnya.
Kombinasi Tekstur dan Warna dalam Mengidentifikasi Kualitas Buah Rambutan Menggunakan Metode Jaringan Syaraf Tiruan Jumriah; Nur Aisyah; Andi Nur Humairah; Sasmita; Wahyu Hidayat M
Journal of Deep Learning, Computer Vision, and Digital Image Processing Volume 2 Issue 2 September 2024
Publisher : CV. Sakura Digital Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61255/decoding.v2i2.550

Abstract

Penelitian ini menekankan pentingnya meningkatkan produksi dan menilai kualitas buah rambutan di Indonesia, sebuah tanaman tropis yang bernilai gizi tinggi. Meskipun manfaat kesehatannya sudah diakui, evaluasi kualitas masih bergantung pada metode manual yang kurang akurat dan efisien. Beberapa penelitian sebelumnya telah mengusulkan metode berbasis teknologi, seperti pengolahan citra digital dan pendekatan kecerdasan buatan, untuk meningkatkan keakuratan penilaian kualitas buah rambutan. Namun, tingkat akurasi klasifikasi masih perlu ditingkatkan. Oleh karena itu, penelitian ini bertujuan untuk mengidentifikasi kualitas buah rambutan dengan memadukan analisis warna dan tekstur kulit menggunakan jaringan syaraf tiruan. Proses ini terdiri dari enam tahap utama yaitu akuisisi citra, preprocessing, segmentasi, operasi morfologi, ekstraksi fitur, hingga klasifikasi. Proses klasifikasi bergantung pada warna dan tekstur kulit, memanfaatkan dataset yang terdiri dari 300 citra rambutan dibagi menjadi tiga kelas yang berbeda. Untuk evaluasi lebih mendalam guna meningkatkan hasil klasifikasi citra secara signifikan.

Page 1 of 1 | Total Record : 4

 1 

Filter by Year

2024 2024


Reset
Filter By Issues
All Issue Volume 3 Issue 1 Maret 2025 Volume 2 Issue 2 September 2024 Volume 2 Issue 1 Maret 2024 Volume 1 Issue 2 September 2023 Volume 1 Issue 1 Maret 2023