cover
Contact Name
Ahmad Ilham
Contact Email
ahmadilham@unimus.ac.id
Phone
+6281325043677
Journal Mail Official
informatika@unimus.ac.id
Editorial Address
Program Studi S1 Informatika Universitas Muhammadiyah Semarang Gedung Kuliah Bersama II (GKB II) Lantai 7, Jl. Kedungmundu Raya No 18 Semarang email: informatika@unimus.ac.id, akhmadfathur@unimus.ac.id Phone: + +62 813 2504 3677
Location
Kota semarang,
Jawa tengah
INDONESIA
Jurnal Komputer dan Teknologi Informasi
ISSN : -     EISSN : 29867592     DOI : -
Core Subject : Science,
Ruang lingkup publikasi terkait dengan : "Computer Science and Information Technology" diantaranya adalah: Networking Software Engineering Mobile Computing Applications Depelopment: Website and Mobile Clouds Computing Database Management Artificial Intelligent Inovations information technology Multimedia Technology Virtualization Technology Health Information Technology
Articles 5 Documents
Search results for , issue "Vol 2, No 2 (2024): Implementasi Sistem Cerdas" : 5 Documents clear
Implementasi convolutional neural network pada pengenalan isyarat tangan untuk komunikasi tuna wicara Pratama, Hasbi Ardianto
JURNAL KOMPUTER DAN TEKNOLOGI INFORMASI Vol 2, No 2 (2024): Implementasi Sistem Cerdas
Publisher : Universitas Muhammadiyah Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26714/jkti.v2i2.13931

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem pengenalan bahasa isyarat menggunakan metode Convolutional Neural Network (CNN) guna menerjemahkan isyarat tangan menjadi teks. Sistem ini diharapkan dapat memfasilitasi komunikasi antara orang yang tidak menggunakan bahasa isyarat dengan penyandang disabilitas. Dataset yang digunakan dalam penelitian ini adalah dataset MNIST yang telah dimodifikasi untuk bahasa isyarat, di mana setiap gambar merepresentasikan huruf dalam abjad menggunakan isyarat tangan. Proses penelitian meliputi preprocessing data, augmentasi data, pembagian data menjadi data pelatihan dan pengujian, serta pelatihan model menggunakan framework TensorFlow. Model CNN yang dihasilkan terdiri dari beberapa lapisan, termasuk Convolutional Layer, Max Pooling Layer, dan Fully Connected Layer. Hasil penelitian menunjukkan bahwa sistem pengenalan bahasa isyarat yang dikembangkan memiliki akurasi terbaik sebesar 98%. Tingkat akurasi ini dipengaruhi oleh nilai learning rate, tingkat kerapian pola bahasa isyarat, jumlah dataset, dan arsitektur model CNN yang digunakan. Penelitian ini menunjukkan bahwa CNN sangat efektif untuk tugas pengenalan bahasa isyarat. Untuk pengembangan lebih lanjut, disarankan untuk menerapkan teknik preprocessing dan ekstraksi fitur tambahan, menggunakan teknik segmentasi untuk memproses pola isyarat yang bersambung, mengeksplorasi teknik Deep Learning lainnya seperti RCNN, Faster R-CNN, dan GAN, memperkaya dan memvariasikan data latih, serta menggunakan perangkat keras dengan spesifikasi tinggi untuk mempercepat proses pelatihan dan pengujian. Dengan demikian, sistem pengenalan bahasa isyarat ini dapat terus ditingkatkan dan diaplikasikan secara luas untuk membantu komunikasi penyandang disabilitas.
Deteksi penyakit tanaman dengan convolution neural network: Kombinasi arsitektur VGG16 dan ResNet34 untuk klasifikasi daun Laksono, Fajar Bima
JURNAL KOMPUTER DAN TEKNOLOGI INFORMASI Vol 2, No 2 (2024): Implementasi Sistem Cerdas
Publisher : Universitas Muhammadiyah Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26714/jkti.v2i2.13932

Abstract

Penelitian ini bertujuan mengembangkan model yang mampu mendeteksi penyakit pada tanaman melalui analisis citra daun menggunakan metode Convolutional Neural Network (CNN). Penyakit tanaman merupakan salah satu faktor utama yang menyebabkan penurunan kualitas hasil pertanian dan perkebunan, sering kali ditandai dengan perubahan pada daun seperti bercak, kelayuan, dan perubahan warna menjadi cokelat. Untuk mencapai tujuan ini, penelitian ini menggabungkan dua arsitektur pemodelan CNN, yaitu VGG16 dan ResNet34, guna meningkatkan akurasi deteksi. Metodologi yang digunakan melibatkan pengumpulan data citra daun yang sehat dan sakit dari 14 jenis tanaman yang berbeda, dengan total 38 jenis penyakit. Data ini kemudian dibagi menjadi data latih dan uji, dan proses pelatihan dilakukan selama 15 epoch. Setelah melalui tahap pelatihan dan pengujian, model yang dihasilkan mampu mencapai tingkat akurasi sebesar 0.987, menunjukkan efektivitas pendekatan yang digunakan. Hasil penelitian ini menunjukkan bahwa kombinasi arsitektur VGG16 dan ResNet34 pada metode CNN dapat secara efektif mengidentifikasi penyakit pada daun tanaman dengan akurasi yang tinggi. Temuan ini diharapkan dapat berkontribusi dalam upaya peningkatan kualitas deteksi penyakit tanaman melalui teknologi pengolahan citra.
Pemanfaatan convolutional neural network untuk klasifikasi efisien dan akurat pada berbagai jenis sampah fadllurrohman, ahmad najib
JURNAL KOMPUTER DAN TEKNOLOGI INFORMASI Vol 2, No 2 (2024): Implementasi Sistem Cerdas
Publisher : Universitas Muhammadiyah Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26714/jkti.v2i2.13945

Abstract

Produksi sampah yang semakin meningkat menuntut pengelolaan yang lebih efisien, salah satunya melalui pemilahan yang efektif. Artikel ini membahas tentang klasifikasi sampah (plastik, kaca, logam, kardus, kertas) menggunakan teknik Convolutional Neural Network (CNN). CNN menawarkan kecepatan, efisiensi, dan akurasi tinggi dibandingkan metode manual dalam pemilahan sampah. Penelitian ini menggunakan dataset klasifikasi sampah yang diperoleh dari situs Kaggle, dengan citra berukuran 300x300 piksel. Proses pra-pemrosesan mencakup normalisasi intensitas piksel, pengurangan noise, dan pengubahan ukuran gambar untuk konsistensi data. Arsitektur model CNN terdiri dari lapisan konvolusi untuk ekstraksi fitur, lapisan pooling untuk reduksi dimensi, dan lapisan fully connected untuk klasifikasi akhir. Model dilatih dengan algoritma optimisasi seperti Adam dan dievaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa klasifikasi sampah berbasis CNN mampu menghasilkan akurasi tinggi dan efisiensi yang lebih baik dibandingkan metode manual, menjadikannya solusi potensial untuk mengatasi masalah pengelolaan sampah.
Menguji Keefektifan Metode Mask R-CNN, dan Metode Keypoint R-CNN dalam Deteksi Objek Citra. Darmawan, Faris Eka; Magfiroh, Siti Khoerotul; Hanifah, Mutiara Khansa; Saman, Muhammad
JURNAL KOMPUTER DAN TEKNOLOGI INFORMASI Vol 2, No 2 (2024): Implementasi Sistem Cerdas
Publisher : Universitas Muhammadiyah Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26714/jkti.v2i2.14084

Abstract

Objek Detection merupakan tantangan dalam bidang computer vision yang mendukung aplikasi seperti pengenalan objek, pengenalan pola, dan analisis citra medis. Dalam penelitian ini, kami membandingkan kinerja dua metode utama dalam deteksi objek: Mask R-CNN, dan keypoint R-CNN.Metode R-CNN didasarkan pada pembuatan proposal wilayah menggunakan jaringan proposal wilayah (RPN), yang kemudian diproses oleh jaringan konvolusional untuk klasifikasi dan regresi. Oleh karena itu, Mask R-CNN mengintegrasikan kemampuan segmentasi instan dengan memberikan pemahaman yang lebih mendalam tentang objek. Di sisi lain, Keypoint R-CNN menambahkan dimensi pada deteksi objek dengan menentukan titik kunci atau landmark pada objek. Dimana dalam objek detection menggunakan sekitar 5000 gambar untuk implementasi metode Mask R-CNN dan Keypoint R-CNN.Evaluasi didasarkan pada akurasi deteksi, kecepatan eksekusi, dan kebutuhan sumber daya komputasi.
Penerapan algoritma convolutional neural network (cnn) untuk mengklasifikasi jenis kendaraan Wibowo, Bhanu Lintang; Caesarizky, Ovien Yoga; Hakim, Muhammad Ilham; Munsarif, Muhammad
JURNAL KOMPUTER DAN TEKNOLOGI INFORMASI Vol 2, No 2 (2024): Implementasi Sistem Cerdas
Publisher : Universitas Muhammadiyah Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26714/jkti.v2i2.13938

Abstract

Dengan berkembangnya teknologi kendaraan otonom dan pengawasan lalu lintas cerdas, klasifikasi kendaraan menjadi elemen kunci dalam sistem transportasi modern. Artikel ini mengusulkan suatu pendekatan berbasis Convolutional Neural Network (CNN) untuk meningkatkan ketepatan dan efisiensi dalam klasifikasi jenis kendaraan dari data visual. Metode yang diusulkan menggunakan arsitektur CNN yang mendalam untuk mengekstraksi fitur-fitur penting dari citra kendaraan. Data pelatihan yang luas dan bervariasi digunakan untuk melatih model, yang kemudian diuji pada dataset independen untuk mengevaluasi performanya. Hasil eksperimen menunjukkan bahwa pendekatan ini dapat mencapai tingkat akurasi yang tinggi dalam klasifikasi kendaraan, bahkan dalam kondisi pencahayaan yang bervariasi dan latar belakang yang kompleks. Keuntungan utama dari metode ini adalah kemampuannya untuk secara otomatis mempelajari pola dan fitur- fitur diskriminatif dari citra kendaraan, membuatnya mampu mengatasi variasi dan kompleksitas dalam lingkungan praktis. Hasil dari penelitian ini memberikan kontribusi positif terhadap pengembangan sistem transportasi pintar dan meningkatkan keamanan serta efisiensi lalu lintas.

Page 1 of 1 | Total Record : 5