Jurnal Teknologi dan Sistem Komputer
Not a member yet
364 research outputs found
Sort by
Kendali kecepatan motor DC berbasis fuzzy logic controller dengan aksi integral untuk mengeliminasi error steady-state
No full textKendali kecepatan motor DC dengan sistem cerdas seperti Fuzzy Logic Controller (FLC) dianggap lebih efektif karena tidak perlu model dari plant dalam perancangan pengendalinya. Namun, secara matematis FLC tidak dapat menghilangkan error steady-state pada respon pengendalian. Penelitian ini bertujuan untuk merancang Fuzzy Integral Controller (FIC) untuk mengeliminasi error steady-state pada kendali kecepatan motor DC. Pengendali ini dibentuk oleh FLC dan kendali integral. FLC dirancang dengan masukan error dan perubahan error dengan keluaran berupa sinyal Pulse Width Modulation (PWM). Aksi kendali integral ditambahkan pada FLC karena kemampuannya untuk menghilangkan error steady-state. FIC kemudian diuji melalui simulasi MATLAB/Simulink dan eksperimen perangkat keras. Hasil pengujian menunjukkan bahwa FIC mampu menghasilkan kinerja pengendalian lebih baik jika dibandingkan dengan kendali PI dan FLC. FIC menghasilkan error steady-state 0% pada pengujian secara simulasi, sedangkan pada pengujian secara eksperimen nilai error steady-state terkecil diperoleh sebesar 0,42% yang disebabkan oleh adanya derau pada sensor
Automatic detection of crop diseases using gamma transformation for feature learning with a deep convolutional autoencoder
No full textPrecision agriculture is a management strategy for sustaining and increasing the production of agricultural commodities. One of its implementations is for crop disease detection. Currently, deep learning methods have become widespread methods for the automatic detection of crop diseases. Most deep learning methods showed better performance when using an original image in raw form as inputs. However, the original image of crop diseases may appear similar between one disease to another. Therefore, the deep learning methods may misclassify the data. To deal with these, we propose the gamma transformation with a deep convolutional autoencoder to extract good features from the original image data. We use the output of the gamma transformation with a deep convolutional autoencoder as inputs to a classifier for the automatic detection of crop diseases. Our experiments show that the average accuracies of our method improve the performance of crop disease detection compared to only using raw data as inputs
Prapemrosesan pada Klasifikasi Status Mutu Air Sungai Menggunakan Random Oversampling dan Outlier Remover Clustering
No full textKetidakseimbangan jumlah data pada setiap kelasnya serta adanya data outlier seringkali menjadi masalah dalam proses klasifikasi, hal tersebut tentu akan mempengaruhi performa kinerja pembelajaran mesin yang menurun. Oleh karena itupada penelitian ini diusulkan penggunaan teknik Random Oversampling (ROs) untuk mengatasi ketidakseimbangan data serta teknik Outlier Removal Clustering (ORC) untuk mengatasi data outlier pada penentuan status mutu air. Kedua teknik tersebut digunakan pada tahapan prapemrosesan. Penelitian ini terdiri dari beberapa tahapan, yaitu penentuan kelas status mutu air menggunakan teknik indeks pencemaran, prapemrosesan, pembagian data, klasifikasi serta evaluasi kinerja. Ada tiga algoritma klasifikasi yang digunakan sebagai perbandingan, yaitu KNN, CART dan random forest. Berdasarkan hasil penelitian menunjukkan peningkatan rerata akurasi dari penggunaan ketiga algoritma klasifikasi tersebut dengan tanpa dilakukan prapemrosesan, penggunaan ROs serta integrasi ROs dan ORC secara berurutan sebagai berikut 83,81%; 94,87% dan 95,51%. Jadi penggunaan teknik Ros dan ORC terbukti meningkatkan performa kinerja pada machine learning.
Klasifikasi Citra Satelit menggunakan Lightweight Ensemble Convolutional Network
No full textCitra satelit dapat digunakan salah satunya sebagai pengamatan kondisi atmosfer dan permukaan pada bumi. Dengan semakin berkembangnya teknologi citra satelit, waktu untuk pengambilan citra satelit menjadi lebih efisien. Makalah ini melakukan eksperimen menggunakan klasifier ensemble convolutional network untuk melakukan pengenalan kondisi atmosfer pada citra satelit. Empat buah arsitektur Convolutional Neural Network (CNN) digunakan dalam eksperimen ini, yaitu MobileNetV2, ResNet18, ResNet18Half, dan SqueezeNet. Keempat arsitektur CNN tersebut dipilih karena mempunyai jumlah parameter yang tidak terlalu besar (lightweight) serta dapat diterapkan pada banyak perangkat keras tertanam. Eksperimen yang dilakukan dengan menggunakan dataset USTC SmokeRS memperlihatkan bahwa klasifier ensemble memperoleh hasil yang baik dengan akurasi rata-rata tertinggi sebesar 97.06 %
Implementasi Algoritma Pengolahan Citra dan Algoritma Jaringan Syaraf Tiruan pada Prototipe Mobil Otonom Berbasis Raspberry Pi
No full textTelah tercipta prototipe mobil otonom berbasis raspberry pi dengan sistem autopilot hasil dari penerapan dua algoritma berbeda yaitu pengolahan cita dan jaringan syaraf tiruan. Penelitian ini bertujuan untuk implementasi kedua algoritma tersebut. Implementasi pengolahan citra diawali dengan capture video yang kemudian dilatih dengan algoritma pengolahan citra sehingga diperolah nilai kurva saat deteksi jalur. Sedangkan Implementasi jaringan syaraf tiruan diawali dengan mencari data collection dari capture citra yang kemudian dilatih dengan algoritma jaringan syaraf tiruan sehingga menghasilkan model data untuk ditanamkan pada mobil otonom. Berdasarkan pengujian yang dilakukan pada jalur lintasan yang sama didapatkan persentase keberhasilan pada pengolahan citra 70% sukses. sedangkan jaringan syaraf tiruan 97% sukses. Beberapa kegagalan pengolahan citra disebabkan oleh kondisi pencahayaan saat pengujian yang berbeda dari data awal. Sedangkan jaringan syaraf tiruan dipengaruhi dari jumlah data yang dilatih, apabila semakin banyak maka semakin besar persentase keberhasilannya, hal tersebut menjadikan jaringan syaraf tiruan lebih unggul dari pengolahan citr
Metode k-means clustering dan morfologi berbasis computer vision dan analisis regresi untuk aplikasi sistem grading udang Vaname
Full text linkPenentuan mutu udang secara konvensional menggunakan visual mata memiliki beberapa kelemahan, salah satunya adalah tingkat persepsi manusia yang berbeda-beda. Solusi yang ditawarkan adalah menggunakan teknologi computer vision dalam menentukan ukuran udang berdasarkan citra yang ditangkap kamera. Penelitian ini bertujuan untuk menerapkan kombinasi metode dari pengelompokan k-rata-rata dan morfologi untuk menentukan ukuran udang Vaname yaitu berdasarkan perbandingan area dalam dimensi piksel dari hasil olah citra dengan teknologi computer vision terhadap massa dalam dimensi gram. Analisis regresi digunakan untuk mendapatkan persamaan yang mengkonversi antar nilai piksel tersebut ke dalam massa udang. Keefektifan kombinasi metode ini dibandingkan dengan hanya menggunakan metode pengelompokkan k-rata-rata dan nilai ambang. Hasil evaluasi dari metode yang diusulkan menunjukkan bahwa nilai RMSE yang diperoleh sebesar 0,68 yang lebih baik dari dua metode terdahulu berturut-turut adalah 0,73 dan 2,89. Sementara akurasi sistemnya untuk pengukuran massa diperoleh sebesar 93,64%, akurasi ukuran/besar sebesar 93,37% dan akurasi klaster dari ukuran sebesar 95,45%
Aplikasi Electronic Nose Untuk Klasifikasi Kopi Aceh Gayo Berdasarkan Proses Pasca Panen
No full textKopi merupakan salah satu komoditas asal Indonesia dengan daya tarik aroma dan rasa yang khas. Salah satu jenis kopi yang terkenal adalah Kopi Aceh Gayo. Kopi ini memiliki beberapa jenis lagi yang dibedakan melalui proses pasca panen yang dikenakan pada biji kopi yang sama. Hasil pengolahan ini akan menghasilkan aroma dan kualitas yang berbeda seperti pada Gayo natural dan wine. Kualitas kopi umumnya diuji menggunakan hidung manusia yang cenderung memiliki kekurangan karena sifatnya yang subyektif. Adanya kekurangan inilah yang berusaha dibantu dengan menggunakan e-nose dan SVM. E-nose merupakan instrument pengukuran yang memanfaatkan sensor gas untuk mengumpulkan data sinyal dari obyek yang digunakan. SVM (Support Vector Machine) merupakan metode yang digunakan untuk mencari hyperplane terbaik yang dapat memisahkan kedua jenis kopi yang digunakan sebagai obyek percobaan ini. Penggunaaan E-nose dan SVM menghasilkan akurasi prediksi sebesar 90%, presisi sebesar 87,5% dan sensitivitas 93,3%
Perbandingan Metode Ensemble Machine Learning untuk Klasifikasi Tenaga Kerja di Indonesia dengan Random Forest, XGBoost, dan CatBoost
No full textSurvei Angkatan Kerja Nasional (Sakernas) adalah survei periodik yang besar sehingga membutuhkan pengolahan data kompleks serta validasi benar untuk menjaga kualitas data. Salah satu pertanyaan Sakernas yang pengisian dan validasinya secara manual yaitu lapangan pekerjaan utama. Untuk memberikan validasi, Machine Learning dapat diterapkan dengan memanfaatkan informasi pada isian lain. Penelitian ini menggunakan metode Random Forest, XGBoost, dan CatBoost untuk klasifikasi lapangan pekerjaan utama pada Sakernas Agustus 2019. Berdasarkan hasil, ketiga model memiliki performa yang hampir sama baik dari presisi, recall, dan f1 yaitu untuk sektor primer dan tersier diatas 90 % dan sektor sekunder sebesar 80%. Model dari Random Forest, XGBoost, dan CatBoost memiliki akurasi sebesar 91,80%; 90,88%; dan 91,84%. Nilai Area Under Curve (AUC) dari ketiga model relatif tinggi dengan CatBoost memiliki nilai tertinggi pada klasifikasi sektor primer, sekunder, dan tersier masing-masing sebesar 1,00; 0,97; dan 0,98
Deteksi Pertanyaan Tidak Tulus pada Quora dengan Metode Bidirectional Long Short Term Memory (LSTM) dan Self-Attention
No full textQuora adalah salah satu situs tanya jawab terbesar dengan ribuan pertanyaan setiap harinya. Berbagai macam topik pertanyaan dan jawaban disampaikan pengguna untuk bertukar informasi. Demi memberikan kenyamanan pengguna, Quora ingin mendeteksi pertanyaan-pertanyaan yang tidak tulus yang muncul pada platform mereka. Pertanyaan tidak tulus tersebut adalah pertanyaan yang secara sengaja disampaikan pengguna dimana sebenarnya pertanyaan tersebut tidak membutuhkan jawaban, namun hanya untuk membuat sebuah pernyataan yang memprovokasi pengguna lain. Pada penelitian ini diusulkan metode Bidirectional LSTM dan Self Attention untuk membuat model terbaik yang dapat memprediksi pertanyaan-pertanyaan di Quora. Pada akhir pelatihan, didapatkan model terbaik dengan nilai akurasi sebesar 0,9668, nilai pressisi sebesar 0,9880 , nilai sensitifitas (recall) sebesar 0,9769 dan nilai F1 sebesar 0,9824
Pengelompokan PMKS menggunakan Self Organizing Maps dengan perbaikan missing value Naïve Bayes Imputation
No full textPenyandang Masalah Kesejahteraan Sosial (PMKS) merupakan permasalahan pada kelompok masyarakat yang memiliki kesulitan dalam menjalankan fungsi sosial. Penelitian dilakukan untuk mengetahui karakteristik permasalahan di wilayah Kalimantan Selatan dengan menggunakan klasterisasi. Metode klasterisasi yang digunakan adalah SOM dan pengisian data kosong menggunakan NBI yang dibandingkan dengan Metode Statistik (Mean, Median, dan Modus). Proses dimulai dari mengisian data kosong dengan NBI dan Metode Statistik, dilanjutkan dengan klaster SOM dan hasil klaster dievaluasi menggunakan DBI. Hasil yang didapatkan adalah perbaikan NBI menempati hasil klasterisasi terbaik dengan nilai 0,032 pada pembagian 2 klaster. Klaster pertama berjumlah 8 wilayah yaitu Tanah Laut, Kota Baru, Tapin, Hulu Sungai Selatan, Hulu Sungai Tengah, Hulu Sungai Utara, Tabalong, dan Tanah Bumbu. Klaster kedua berjumlah 5 wilayah yaitu Banjar, Barito Kuala, Balangan, Banjarmasin, dan Banjarbaru. Tingkat prioritas yang diperoleh dari rata-rata klaster didapatkan bahwa klaster kedua sebagai prioritas pertama