Pub Date : 2023-11-29DOI: 10.22146/jnteti.v12i4.7396
Gabriel Kenisa, Meqfaden Baali, K. Hartomo, Sri Yulianto, J. Prasetyo
Bencana alam sering terjadi tanpa diduga sehingga menyebabkan kerugian materiel maupun nonmateriel. Banjir merupakan salah satu bencana alam yang sering terjadi di beberapa daerah di Indonesia, salah satunya adalah Kota Tomohon. Kota Tomohon terletak di dataran tinggi, sehingga seharusnya memiliki tingkat risiko banjir rendah. Akan tetapi, pada kenyataanya, banjir masih terjadi di Kota Tomohon, sehingga menyebabkan kerugian materiel maupun nonmateriel. Data yang digunakan pada penelitian ini adalah citra satelit Landsat 8 onboard operational land imager (OLI) yang diakses melalui United States Geographical Survey (USGS). Metode klasifikasi terbimbing dengan algoritma minimum distance classification (MDC) digunakan untuk melihat klasifikasi tutupan lahan yang berada di Kota Tomohon. Metode ini memiliki keunggulan dalam penggunaan data latih untuk mengklasifikasikan tutupan lahan di Kota Tomohon dengan tingkat akurasi sebesar 99,56%. Selain itu, perhitungan normalized difference vegetation index (NDVI), normalized difference water index (NDWI), dan soil adjusted vegetation index (SAVI) juga digunakan untuk melihat tingkat vegetasi dan kebasahan permukaan tanah yang ada di Kota Tomohon dengan menggunakan aplikasi Quantum GIS (QGIS). Setelah melihat tutupan lahan dan perhitungan indeks, dilakukan lagi pemberian bobot sesuai kriteria. Hal ini dilakukan untuk mempermudah analisis wilayah dan mengklasifikasikannya ke dalam tiga klasifikasi risiko banjir, yaitu tinggi, sedang, dan rendah. Hasil menunjukkan bahwa lahan hijau di Kota Tomohon masih lebih luas dibandingkan dengan area pemukiman. Akan tetapi, perhitungan NDVI, NDWI dan SAVI menunjukkan bahwa beberapa daerah padat penduduk terindikasi rawan banjir. Daerah tersebut antara lain Kecamatan Tomohon Selatan dan Kecamatan Tomohon Tengah dengan risiko tingkat tinggi dan Kecamatan Tomohon Timur dengan risiko tingkat sedang.
{"title":"Klasifikasi Wilayah Rawan Banjir di Tomohon Menggunakan Citra Satelit Landsat 8 OLI","authors":"Gabriel Kenisa, Meqfaden Baali, K. Hartomo, Sri Yulianto, J. Prasetyo","doi":"10.22146/jnteti.v12i4.7396","DOIUrl":"https://doi.org/10.22146/jnteti.v12i4.7396","url":null,"abstract":"Bencana alam sering terjadi tanpa diduga sehingga menyebabkan kerugian materiel maupun nonmateriel. Banjir merupakan salah satu bencana alam yang sering terjadi di beberapa daerah di Indonesia, salah satunya adalah Kota Tomohon. Kota Tomohon terletak di dataran tinggi, sehingga seharusnya memiliki tingkat risiko banjir rendah. Akan tetapi, pada kenyataanya, banjir masih terjadi di Kota Tomohon, sehingga menyebabkan kerugian materiel maupun nonmateriel. Data yang digunakan pada penelitian ini adalah citra satelit Landsat 8 onboard operational land imager (OLI) yang diakses melalui United States Geographical Survey (USGS). Metode klasifikasi terbimbing dengan algoritma minimum distance classification (MDC) digunakan untuk melihat klasifikasi tutupan lahan yang berada di Kota Tomohon. Metode ini memiliki keunggulan dalam penggunaan data latih untuk mengklasifikasikan tutupan lahan di Kota Tomohon dengan tingkat akurasi sebesar 99,56%. Selain itu, perhitungan normalized difference vegetation index (NDVI), normalized difference water index (NDWI), dan soil adjusted vegetation index (SAVI) juga digunakan untuk melihat tingkat vegetasi dan kebasahan permukaan tanah yang ada di Kota Tomohon dengan menggunakan aplikasi Quantum GIS (QGIS). Setelah melihat tutupan lahan dan perhitungan indeks, dilakukan lagi pemberian bobot sesuai kriteria. Hal ini dilakukan untuk mempermudah analisis wilayah dan mengklasifikasikannya ke dalam tiga klasifikasi risiko banjir, yaitu tinggi, sedang, dan rendah. Hasil menunjukkan bahwa lahan hijau di Kota Tomohon masih lebih luas dibandingkan dengan area pemukiman. Akan tetapi, perhitungan NDVI, NDWI dan SAVI menunjukkan bahwa beberapa daerah padat penduduk terindikasi rawan banjir. Daerah tersebut antara lain Kecamatan Tomohon Selatan dan Kecamatan Tomohon Tengah dengan risiko tingkat tinggi dan Kecamatan Tomohon Timur dengan risiko tingkat sedang.","PeriodicalId":31477,"journal":{"name":"Jurnal Nasional Teknik Elektro dan Teknologi Informasi","volume":"147 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-11-29","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"139213141","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2023-11-28DOI: 10.22146/jnteti.v12i4.6372
Widyawan, Muhamad Risqi Utama Saputra, Paulus Insap Santosa
This research presents the INVys system aiming to solve the problem of indoor navigation for persons with visual impairment by leveraging the capabilities of an RGB-D camera. The system utilizes the depth information provided by the camera for micronavigation, which involves sensing and avoiding obstacles in the immediate environment. The INVys system proposes a novel auto-adaptive double thresholding (AADT) method to detect obstacles, calculate their distance, and provide feedback to the user to avoid them. AADT has been evaluated and compared to baseline and auto-adaptive thresholding (AAT) methods using four criteria: accuracy, precision, robustness, and execution time. The results indicate that AADT excels in accuracy, precision, and robustness, making it a suitable method for obstacle detection and avoidance in the context of indoor navigation for persons with visual impairment. In addition to micronavigation, the INVys system utilizes the color information provided by the camera for macro-navigation, which involves recognizing and following navigational markers called optical glyphs. The system uses an automatic glyph binarization method to recognize the glyphs and evaluates them using two criteria: accuracy and execution time. The results indicate that the proposed method is accurate and efficient in recognizing the optical glyphs, making it suitable for use as a navigational marker in indoor environments. Furthermore, the study also provides a correlation between the size of the glyphs, the distance of the recognized glyphs, the tilt condition of the recognized glyphs, and the accuracy of glyph recognition. These correlations define the minimum glyph size that can be practically used for indoor navigation for persons with visual impairment. Overall, this research presents a promising solution for indoor navigation for persons with visual impairment by leveraging the capabilities of an RGB-D camera and proposing novel methods for obstacle detection and avoidance and for recognizing navigational markers.
{"title":"INVys: Indoor Navigation System for Persons with Visual Impairment Using RGB-D Camera","authors":"Widyawan, Muhamad Risqi Utama Saputra, Paulus Insap Santosa","doi":"10.22146/jnteti.v12i4.6372","DOIUrl":"https://doi.org/10.22146/jnteti.v12i4.6372","url":null,"abstract":"This research presents the INVys system aiming to solve the problem of indoor navigation for persons with visual impairment by leveraging the capabilities of an RGB-D camera. The system utilizes the depth information provided by the camera for micronavigation, which involves sensing and avoiding obstacles in the immediate environment. The INVys system proposes a novel auto-adaptive double thresholding (AADT) method to detect obstacles, calculate their distance, and provide feedback to the user to avoid them. AADT has been evaluated and compared to baseline and auto-adaptive thresholding (AAT) methods using four criteria: accuracy, precision, robustness, and execution time. The results indicate that AADT excels in accuracy, precision, and robustness, making it a suitable method for obstacle detection and avoidance in the context of indoor navigation for persons with visual impairment. In addition to micronavigation, the INVys system utilizes the color information provided by the camera for macro-navigation, which involves recognizing and following navigational markers called optical glyphs. The system uses an automatic glyph binarization method to recognize the glyphs and evaluates them using two criteria: accuracy and execution time. The results indicate that the proposed method is accurate and efficient in recognizing the optical glyphs, making it suitable for use as a navigational marker in indoor environments. Furthermore, the study also provides a correlation between the size of the glyphs, the distance of the recognized glyphs, the tilt condition of the recognized glyphs, and the accuracy of glyph recognition. These correlations define the minimum glyph size that can be practically used for indoor navigation for persons with visual impairment. Overall, this research presents a promising solution for indoor navigation for persons with visual impairment by leveraging the capabilities of an RGB-D camera and proposing novel methods for obstacle detection and avoidance and for recognizing navigational markers.","PeriodicalId":31477,"journal":{"name":"Jurnal Nasional Teknik Elektro dan Teknologi Informasi","volume":"18 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-11-28","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"139215626","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2023-11-28DOI: 10.22146/jnteti.v12i4.6277
W. Dewanto, Agung Fathurrahman, Agus Bejo
Sistem parkir otomatis merupakan salah satu teknologi manajemen parkir yang saat ini banyak digunakan di berbagai instansi. Sistem parkir otomatis merupakan sistem parkir yang bekerja dengan menempatkan sebuah mesin portal parkir. Mesin portal parkir tersebut kemudian secara otomatis dapat membuka dan menutup portal serta merekam nomor kendaraan saat masuk dan keluar dengan menggunakan sebuah kunci akses berupa smart card. Salah satu kendala dalam penerapan sistem parkir otomatis adalah terjadinya kemacetan apabila kondisi lalu lintas sedang tinggi. Hal tersebut terjadi karena unit kontrol pada sistem parkir otomatis memerlukan waktu yang relatif lama saat melakukan proses pengambilan dan penyimpanan citra dari kamera. Dalam penelitian ini, dilakukan pengujian pada beberapa platform sistem tertanam yang nantinya digunakan sebagai unit kontrol pada sistem parkir otomatis, yaitu Raspberry Pi 3B, Raspberry Pi 4B, dan Orange Pi Zero Plus. Tujuan pengujian tersebut adalah untuk mencari platform unit kontrol terbaik dengan beberapa kriteria, yaitu memiliki waktu respons tercepat saat mengambil citra, memiliki waktu respons tercepat saat menyimpan citra, dan memiliki konsumsi daya yang rendah. Dari pengujian yang dilakukan, didapatkan hasil bahwa platform Raspberry Pi 4B memiliki waktu respons tercepat untuk mengambil dan menyimpan citra dengan waktu rata-rata sebesar 1.827,9 ms, sedangkan konsumsi daya terendah dicapai oleh platform Orange Pi Zero Plus dengan nilai sebesar 1,9 W. Dari hasil pengujian yang telah dilakukan, Raspberry Pi 4B direkomendasikan sebagai unit kontrol pada sistem parkir otomatis apabila sistem parkir otomatis memerlukan perangkat dengan kinerja tinggi. Sementara itu, jika sistem parkir otomatis memerlukan perangkat yang hemat daya, Orange Pi Zero Plus direkomendasikan sebagai unit kontrol pada sistem parkir otomatis.
自动泊车系统是目前广泛应用于各种机构的泊车管理技术之一。自动泊车系统是一种通过放置泊车入口机来工作的泊车系统。停车入口机可以自动打开和关闭入口，并在使用智能卡形式的出入钥匙进出时记录车辆编号。实施自动泊车系统的障碍之一是在交通繁忙时出现拥堵。出现这种情况的原因是，自动泊车系统的控制单元在拍摄和存储摄像头图像时需要相对较长的时间。在这项研究中，对将用作自动泊车系统控制单元的几个嵌入式系统平台（即 Raspberry Pi 3B、Raspberry Pi 4B 和 Orange Pi Zero Plus）进行了测试。测试的目的是根据几个标准找到最佳的控制单元平台，即拍摄图像时响应时间最快、存储图像时响应时间最快以及功耗低。通过测试发现，Raspberry Pi 4B 平台在捕捉和存储图像时的响应速度最快，平均时间为 1,827.9 毫秒，而 Orange Pi Zero Plus 平台的功耗最低，仅为 1.9 瓦。同时，如果自动泊车系统需要省电的设备，则推荐使用 Orange Pi Zero Plus 作为自动泊车系统的控制单元。
{"title":"Evaluasi Platform Perangkat Keras Sistem Tertanam untuk Unit Kontrol Parkir Otomatis","authors":"W. Dewanto, Agung Fathurrahman, Agus Bejo","doi":"10.22146/jnteti.v12i4.6277","DOIUrl":"https://doi.org/10.22146/jnteti.v12i4.6277","url":null,"abstract":"Sistem parkir otomatis merupakan salah satu teknologi manajemen parkir yang saat ini banyak digunakan di berbagai instansi. Sistem parkir otomatis merupakan sistem parkir yang bekerja dengan menempatkan sebuah mesin portal parkir. Mesin portal parkir tersebut kemudian secara otomatis dapat membuka dan menutup portal serta merekam nomor kendaraan saat masuk dan keluar dengan menggunakan sebuah kunci akses berupa smart card. Salah satu kendala dalam penerapan sistem parkir otomatis adalah terjadinya kemacetan apabila kondisi lalu lintas sedang tinggi. Hal tersebut terjadi karena unit kontrol pada sistem parkir otomatis memerlukan waktu yang relatif lama saat melakukan proses pengambilan dan penyimpanan citra dari kamera. Dalam penelitian ini, dilakukan pengujian pada beberapa platform sistem tertanam yang nantinya digunakan sebagai unit kontrol pada sistem parkir otomatis, yaitu Raspberry Pi 3B, Raspberry Pi 4B, dan Orange Pi Zero Plus. Tujuan pengujian tersebut adalah untuk mencari platform unit kontrol terbaik dengan beberapa kriteria, yaitu memiliki waktu respons tercepat saat mengambil citra, memiliki waktu respons tercepat saat menyimpan citra, dan memiliki konsumsi daya yang rendah. Dari pengujian yang dilakukan, didapatkan hasil bahwa platform Raspberry Pi 4B memiliki waktu respons tercepat untuk mengambil dan menyimpan citra dengan waktu rata-rata sebesar 1.827,9 ms, sedangkan konsumsi daya terendah dicapai oleh platform Orange Pi Zero Plus dengan nilai sebesar 1,9 W. Dari hasil pengujian yang telah dilakukan, Raspberry Pi 4B direkomendasikan sebagai unit kontrol pada sistem parkir otomatis apabila sistem parkir otomatis memerlukan perangkat dengan kinerja tinggi. Sementara itu, jika sistem parkir otomatis memerlukan perangkat yang hemat daya, Orange Pi Zero Plus direkomendasikan sebagai unit kontrol pada sistem parkir otomatis.","PeriodicalId":31477,"journal":{"name":"Jurnal Nasional Teknik Elektro dan Teknologi Informasi","volume":"46 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-11-28","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"139216469","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2023-11-28DOI: 10.22146/jnteti.v12i4.7818
Ulla Delfana Rosiani, Priska Choirina, Yessy Nindi Pratiwi Pratiwi, Septiar Enggar Sukmana, K. K. —. Pengenalan, Ekspresi Mikro, Lbph Fase Ekspresi
Ekspresi mikro merupakan representasi emosional yang terjadi secara spontan dan tidak dapat dikendalikan secara sadar serta bersifat sementara (durasi pendek) dengan gerakan halus (intensitas gerakan kecil), sehingga sulit dideteksi dengan mata manusia biasa. Gerakan otot ekspresi mikro dihasilkan hanya pada beberapa area kecil wajah, sehingga pengamatan pada area tertentu menghasilkan waktu komputasi yang lebih cepat dan memberikan informasi penting dibandingkan dengan pengamatan pada seluruh wajah. Penelitian ini mengusulkan pengurangan area dan fase pengamatan untuk pengenalan ekspresi mikro. Area yang diamati yaitu alis kiri, alis kanan, mata kanan, mata kiri, dan mulut pada dataset CASME II. Fase pengamatan ekspresi mikro dilakukan dengan menganalisis perbandingan pada fase onset hingga offset (“fullOAO”) dan hanya pada fase onset, apex, dan offset (“OAO”). Ekstraksi fitur dilakukan menggunakan metode sederhana dari local binary patterns histogram (LBPH), yang dapat merepresentasikan fitur lokal pada area wajah. Hasil terbaik dari metode yang diusulkan adalah fase “fullOAO” dengan akurasi 96,8% (menggunakan support vector machine-radial basis function, SVM-RBF) serta rata-rata waktu komputasi sebesar 0,192 ms per frame dan 10,473 ms per video. Pada jenis fase “OAO”, dihasilkan akurasi sebesar 87,7% dengan waktu komputasi 0,159 ms per frame dan 0,576 ms per video. Perbedaan akurasi dan waktu komputasi kedua jenis fase tersebut terjadi karena jumlah frame pada jenis “fullOAO” lebih besar daripada “OAO”, sehingga menghasilkan waktu pemrosesan dan data ekstraksi fitur dalam jumlah yang berbeda. Namun, penurunan akurasi sebesar 9% tidak berpengaruh terlalu besar karena tingkat akurasinya masih tergolong baik, yaitu di atas 80%. Selain itu, pengukuran yang tepat untuk waktu komputasi adalah waktu yang dibutuhkan untuk memproses setiap frame pada video masukan. Maka, dapat disimpulkan bahwa dengan metode yang diusulkan, dapat dihasilkan waktu komputasi cepat dan pengenalan yang tergolong akurat.
{"title":"Perbandingan Fase Ekspresi Menggunakan Local Binary Pattern Histogram Untuk Pengenalan Ekspresi Mikro","authors":"Ulla Delfana Rosiani, Priska Choirina, Yessy Nindi Pratiwi Pratiwi, Septiar Enggar Sukmana, K. K. —. Pengenalan, Ekspresi Mikro, Lbph Fase Ekspresi","doi":"10.22146/jnteti.v12i4.7818","DOIUrl":"https://doi.org/10.22146/jnteti.v12i4.7818","url":null,"abstract":"Ekspresi mikro merupakan representasi emosional yang terjadi secara spontan dan tidak dapat dikendalikan secara sadar serta bersifat sementara (durasi pendek) dengan gerakan halus (intensitas gerakan kecil), sehingga sulit dideteksi dengan mata manusia biasa. Gerakan otot ekspresi mikro dihasilkan hanya pada beberapa area kecil wajah, sehingga pengamatan pada area tertentu menghasilkan waktu komputasi yang lebih cepat dan memberikan informasi penting dibandingkan dengan pengamatan pada seluruh wajah. Penelitian ini mengusulkan pengurangan area dan fase pengamatan untuk pengenalan ekspresi mikro. Area yang diamati yaitu alis kiri, alis kanan, mata kanan, mata kiri, dan mulut pada dataset CASME II. Fase pengamatan ekspresi mikro dilakukan dengan menganalisis perbandingan pada fase onset hingga offset (“fullOAO”) dan hanya pada fase onset, apex, dan offset (“OAO”). Ekstraksi fitur dilakukan menggunakan metode sederhana dari local binary patterns histogram (LBPH), yang dapat merepresentasikan fitur lokal pada area wajah. Hasil terbaik dari metode yang diusulkan adalah fase “fullOAO” dengan akurasi 96,8% (menggunakan support vector machine-radial basis function, SVM-RBF) serta rata-rata waktu komputasi sebesar 0,192 ms per frame dan 10,473 ms per video. Pada jenis fase “OAO”, dihasilkan akurasi sebesar 87,7% dengan waktu komputasi 0,159 ms per frame dan 0,576 ms per video. Perbedaan akurasi dan waktu komputasi kedua jenis fase tersebut terjadi karena jumlah frame pada jenis “fullOAO” lebih besar daripada “OAO”, sehingga menghasilkan waktu pemrosesan dan data ekstraksi fitur dalam jumlah yang berbeda. Namun, penurunan akurasi sebesar 9% tidak berpengaruh terlalu besar karena tingkat akurasinya masih tergolong baik, yaitu di atas 80%. Selain itu, pengukuran yang tepat untuk waktu komputasi adalah waktu yang dibutuhkan untuk memproses setiap frame pada video masukan. Maka, dapat disimpulkan bahwa dengan metode yang diusulkan, dapat dihasilkan waktu komputasi cepat dan pengenalan yang tergolong akurat.","PeriodicalId":31477,"journal":{"name":"Jurnal Nasional Teknik Elektro dan Teknologi Informasi","volume":"60 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-11-28","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"139218343","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2023-11-24DOI: 10.22146/jnteti.v12i4.8174
Edwin Ariesto Umbu Malahina
Studi penelitian ini dilaksanakan untuk mengembangkan sistem deteksi fonetik dialek Kambera dari bahasa lokal Sumba Timur berbasis framework TensorFlow yang akan diimplementasikan pada aplikasi mobile. Sebagai bagian dari inisiatif ini, penelitian ini telah mengompilasikan sebuah dataset representatif dari sampel fonetik dialek Kambera. Tujuan utamanya adalah untuk meningkatkan presisi dalam pengenalan fonetik. Menggunakan dialek Kambera sebagai studi kasus, data diekstraksi dan dilatih menggunakan layanan Teachable Machine berbasis open-source. Penelitian ini mengadopsi pendekatan berbasis convolutional neural network (CNN) yang dikombinasikan dengan metode Mel frequency cepstral coefficients (MFCC) untuk ekstraksi fitur yang lebih akurat. Setelah proses pengumpulan data, pelatihan model, pengujian, dan implementasi, model diintegrasikan ke dalam platform Android untuk kepentingan publik yang ingin memahami bahasa dialek Kambera dari Sumba Timur. Pengembangan dan pengujian sistem ini dirancang untuk mendeteksi dan menginterpretasikan fonetik bahasa lokal Sumba Timur dengan dialek Kambera, memberikan kontribusi signifikan dalam optimalisasi pengenalan fonetik, serta menyediakan dataset untuk kepentingan penelitian berkelanjutan. Sistem ini juga berfungsi sebagai alat edukasi linguistik yang dapat diakses dan mendukung inklusi serta diversifikasi linguistik dalam teknologi digital. Evaluasi empiris menunjukkan bahwa tingkat presisi deteksi dialek rata-rata secara keseluruhan mencapai 98,3% hingga 99,6%, dengan tingkat kepuasan pengujian kepada pengguna mencapai 99,33%. Hasil ini menegaskan bahwa sistem yang dikembangkan memiliki kapabilitas deteksi yang sangat efisien dan baik.
{"title":"Teachable Machine: Deteksi Dialek Sumba Timur (Kambera) Menggunakan Layanan Open Source","authors":"Edwin Ariesto Umbu Malahina","doi":"10.22146/jnteti.v12i4.8174","DOIUrl":"https://doi.org/10.22146/jnteti.v12i4.8174","url":null,"abstract":"Studi penelitian ini dilaksanakan untuk mengembangkan sistem deteksi fonetik dialek Kambera dari bahasa lokal Sumba Timur berbasis framework TensorFlow yang akan diimplementasikan pada aplikasi mobile. Sebagai bagian dari inisiatif ini, penelitian ini telah mengompilasikan sebuah dataset representatif dari sampel fonetik dialek Kambera. Tujuan utamanya adalah untuk meningkatkan presisi dalam pengenalan fonetik. Menggunakan dialek Kambera sebagai studi kasus, data diekstraksi dan dilatih menggunakan layanan Teachable Machine berbasis open-source. Penelitian ini mengadopsi pendekatan berbasis convolutional neural network (CNN) yang dikombinasikan dengan metode Mel frequency cepstral coefficients (MFCC) untuk ekstraksi fitur yang lebih akurat. Setelah proses pengumpulan data, pelatihan model, pengujian, dan implementasi, model diintegrasikan ke dalam platform Android untuk kepentingan publik yang ingin memahami bahasa dialek Kambera dari Sumba Timur. Pengembangan dan pengujian sistem ini dirancang untuk mendeteksi dan menginterpretasikan fonetik bahasa lokal Sumba Timur dengan dialek Kambera, memberikan kontribusi signifikan dalam optimalisasi pengenalan fonetik, serta menyediakan dataset untuk kepentingan penelitian berkelanjutan. Sistem ini juga berfungsi sebagai alat edukasi linguistik yang dapat diakses dan mendukung inklusi serta diversifikasi linguistik dalam teknologi digital. Evaluasi empiris menunjukkan bahwa tingkat presisi deteksi dialek rata-rata secara keseluruhan mencapai 98,3% hingga 99,6%, dengan tingkat kepuasan pengujian kepada pengguna mencapai 99,33%. Hasil ini menegaskan bahwa sistem yang dikembangkan memiliki kapabilitas deteksi yang sangat efisien dan baik.","PeriodicalId":31477,"journal":{"name":"Jurnal Nasional Teknik Elektro dan Teknologi Informasi","volume":"2005 5","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-11-24","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"139239231","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
The COVID-19 pandemic is still occurring in various countries, including Indonesia. This pandemic is caused by the coronavirus, which has mutated into multiple virus variants, such as Delta and Omicron. As of 9 February 2022, 4,626,936 people were confirmed positive for COVID-19 in Indonesia. This number continues to rise. The Indonesian government has prevented the spread of these virus variants by introducing booster vaccines to the public. However, this vaccination program has caused various sentiments among Indonesians. To optimize efforts to combat COVID-19, the government needs to know these sentiments immediately. Based on these problems, the researcher proposes the application of machine learning technology to develop a system that can analyze the sentiments of the Indonesians toward the booster vaccine. This research has several stages: data collection, data labeling, text preprocessing, feature extraction, and application of the support vector machine (SVM) algorithm using various kernels, namely the linear kernel, Gaussian radial basis function (RBF) kernel, and polynomial kernel. Furthermore, the results of the system were tested for accuracy using a 10-fold cross validation and confusion matrix. The dataset used was 681 tweets with the hashtag “vaksinbooster.” The dataset consists of two classes: negative (0) and positive (1). The results showed that the data were positive for the booster vaccine, as evidenced by the higher number of positive tweets, with 554 data, compared to 127 negative tweets. In addition, the dataset was divided into training data of 545 and testing data of 136. In addition, the test results of this study revealed that the SVM algorithm with the polynomial kernel, which was evaluated with 10-fold cross validation, yielded the highest level of accuracy, namely 79.22%.
{"title":"Indonesian Society’s Sentiment Analysis Against the COVID-19 Booster Vaccine","authors":"Dionisia Bhisetya Rarasati, Angelina Pramana Thenata, Afiyah Salsabila Arief","doi":"10.22146/jnteti.v12i4.5125","DOIUrl":"https://doi.org/10.22146/jnteti.v12i4.5125","url":null,"abstract":"The COVID-19 pandemic is still occurring in various countries, including Indonesia. This pandemic is caused by the coronavirus, which has mutated into multiple virus variants, such as Delta and Omicron. As of 9 February 2022, 4,626,936 people were confirmed positive for COVID-19 in Indonesia. This number continues to rise. The Indonesian government has prevented the spread of these virus variants by introducing booster vaccines to the public. However, this vaccination program has caused various sentiments among Indonesians. To optimize efforts to combat COVID-19, the government needs to know these sentiments immediately. Based on these problems, the researcher proposes the application of machine learning technology to develop a system that can analyze the sentiments of the Indonesians toward the booster vaccine. This research has several stages: data collection, data labeling, text preprocessing, feature extraction, and application of the support vector machine (SVM) algorithm using various kernels, namely the linear kernel, Gaussian radial basis function (RBF) kernel, and polynomial kernel. Furthermore, the results of the system were tested for accuracy using a 10-fold cross validation and confusion matrix. The dataset used was 681 tweets with the hashtag “vaksinbooster.” The dataset consists of two classes: negative (0) and positive (1). The results showed that the data were positive for the booster vaccine, as evidenced by the higher number of positive tweets, with 554 data, compared to 127 negative tweets. In addition, the dataset was divided into training data of 545 and testing data of 136. In addition, the test results of this study revealed that the SVM algorithm with the polynomial kernel, which was evaluated with 10-fold cross validation, yielded the highest level of accuracy, namely 79.22%.","PeriodicalId":31477,"journal":{"name":"Jurnal Nasional Teknik Elektro dan Teknologi Informasi","volume":"343 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-11-22","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"139248751","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2023-11-17DOI: 10.22146/jnteti.v12i4.7931
Edi Leksono, Robi Sobirin, Reza Fauzi Iskandar, Putu Handre, Kertha Utama, Mochammad Iqbal Bayeqi, M. Hasan, Irsyad Nashirul Haq, Justin Pradipta
Fitur maximum power point tracking (MPPT) pada sistem pembangkit listrik tenaga surya (PLTS) merupakan suatu fungsi yang penting dalam meningkatkan efisiensi produksi listrik. Algoritma incremental conductance (InC) berfungsi mengontrol MPPT yang ditujukan untuk memaksimalkan daya keluaran panel photovoltaic (PV) dan meningkatkan efisiensi sistem PLTS. Meskipun algoritma InC termasuk sederhana dan praktis, sayangnya algoritma ini cenderung kurang mendukung kecepatan switching secara presisi, sensitif terhadap tingkat presisi pengukuran, dan kurang mampu menghilangkan osilasi daya akibat siklus switching yang ketat. Algoritma deep neural network (DNN) memiliki potensi untuk menjawab tantangan dinamika MPPT tersebut. Kemampuan pembelajaran DNN memungkinkan pengontrol lebih mengenali dinamika pergeseran nilai daya maksimum, sehingga dapat memberikan aktuasi switching yang lebih sesuai. Masukan bagi DNN merupakan duty ratio yang dihasilkan oleh algoritma InC. Algoritma DNN diimplementasikan pada tiga topologi konverter daya DC ke DC, yaitu buck, boost, dan buck-boost, untuk mengetahui kinerja MPPT pada kondisi uji standar dan kondisi lingkungan nyata. DNN terbukti mampu mengurangi efek osilasi, mempercepat waktu steady state, dan meningkatkan efisiensi. Pada uji kondisi lingkungan nyata, diperoleh hasil bahwa konverter buck secara konsisten menghasilkan daya tertinggi, yang selanjutnya diikuti oleh konverter boost dan konverter buck-boost. Dalam hal efisiensi kinerja, capaian tertinggi terjadi pada konverter buck, yakni sebesar 94,58%, dikuti konverter boost sebesar 90,79%, dan efisiensi terendah pada konverter buck-boost sebesar 79,34%.
{"title":"Pemodelan dan Simulasi MPPT pada Sistem PLTS Menggunakan Metode DNN","authors":"Edi Leksono, Robi Sobirin, Reza Fauzi Iskandar, Putu Handre, Kertha Utama, Mochammad Iqbal Bayeqi, M. Hasan, Irsyad Nashirul Haq, Justin Pradipta","doi":"10.22146/jnteti.v12i4.7931","DOIUrl":"https://doi.org/10.22146/jnteti.v12i4.7931","url":null,"abstract":"Fitur maximum power point tracking (MPPT) pada sistem pembangkit listrik tenaga surya (PLTS) merupakan suatu fungsi yang penting dalam meningkatkan efisiensi produksi listrik. Algoritma incremental conductance (InC) berfungsi mengontrol MPPT yang ditujukan untuk memaksimalkan daya keluaran panel photovoltaic (PV) dan meningkatkan efisiensi sistem PLTS. Meskipun algoritma InC termasuk sederhana dan praktis, sayangnya algoritma ini cenderung kurang mendukung kecepatan switching secara presisi, sensitif terhadap tingkat presisi pengukuran, dan kurang mampu menghilangkan osilasi daya akibat siklus switching yang ketat. Algoritma deep neural network (DNN) memiliki potensi untuk menjawab tantangan dinamika MPPT tersebut. Kemampuan pembelajaran DNN memungkinkan pengontrol lebih mengenali dinamika pergeseran nilai daya maksimum, sehingga dapat memberikan aktuasi switching yang lebih sesuai. Masukan bagi DNN merupakan duty ratio yang dihasilkan oleh algoritma InC. Algoritma DNN diimplementasikan pada tiga topologi konverter daya DC ke DC, yaitu buck, boost, dan buck-boost, untuk mengetahui kinerja MPPT pada kondisi uji standar dan kondisi lingkungan nyata. DNN terbukti mampu mengurangi efek osilasi, mempercepat waktu steady state, dan meningkatkan efisiensi. Pada uji kondisi lingkungan nyata, diperoleh hasil bahwa konverter buck secara konsisten menghasilkan daya tertinggi, yang selanjutnya diikuti oleh konverter boost dan konverter buck-boost. Dalam hal efisiensi kinerja, capaian tertinggi terjadi pada konverter buck, yakni sebesar 94,58%, dikuti konverter boost sebesar 90,79%, dan efisiensi terendah pada konverter buck-boost sebesar 79,34%.","PeriodicalId":31477,"journal":{"name":"Jurnal Nasional Teknik Elektro dan Teknologi Informasi","volume":"37 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-11-17","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"139266108","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2023-11-16DOI: 10.22146/jnteti.v12i4.8114
Imam Ghozali, M. Facta, Abdul Syakur, Skenario Awal, Manuver Memasukkan, CB Reaktor Saluran
Pemasangan reaktor shunt pada ujung saluran udara tegangan ekstra tinggi (SUTET) rangkaian ganda 500 kV seringkali dilakukan untuk membantu mengatasi kenaikan tegangan akibat kapasitans saluran yang panjang. Namun, permasalahan tegangan masih mungkin terjadi, khususnya ketika proses penginjeksian tegangan di saluran transmisi baru yang telah terpasang, akibat adanya induksi tegangan dan penguatan parameter dari rangkaian lain di saluran yang sama yang telah terinjeksi terlebih dahulu. Permasalahan munculnya tegangan lebih ini menjadi makin pelik karena saluran dan reaktor shunt telah selesai terpasang, sehingga panjang saluran dan kapasitas reaktor shunt tidak mungkin diubah. Fenomena tegangan lebih dalam penelitian ini terjadi ketika satu rangkaian di saluran transmisi belum diinjeksi, tetapi reaktor shunt telah tersambung, sehingga saluran tersebut mendapat induksi dan penguatan dari rangkaian lain karena di saat yang sama rangkaian yang kedua telah terinjeksi tegangan kerja. Dalam upaya mengatasi kondisi tegangan lebih tersebut, dalam makalah ini dilakukan perubahan skenario manuver injeksi tegangan ke saluran, perubahan skema proteksi jika terjadi gangguan fase ke tanah, dan penambahan relai tegangan lebih. Perubahan skenario manuver injeksi tegangan dapat mengurangi tegangan lebih yang terjadi pada saluran yang belum terinjeksi tegangan hingga 31,9 kVp. Perubahan skema proteksi saat terjadi gangguan fase ke tanah dengan memerintahkan pembukaan circuit breaker (CB) reaktor shunt dapat menghindarkan terjadinya kenaikan tegangan pada fase yang tidak terganggu. Penambahan relai tegangan dilakukan sebagai antisipasi terjadinya tegangan lebih ketika ada gangguan pada saluran dan kondisi CB reaktor shunt tidak mampu membuka akibat gangguan internal.
{"title":"Skema Proteksi Resonansi Tegangan Lebih Saluran Udara Tegangan Ekstra Tinggi 500 kV","authors":"Imam Ghozali, M. Facta, Abdul Syakur, Skenario Awal, Manuver Memasukkan, CB Reaktor Saluran","doi":"10.22146/jnteti.v12i4.8114","DOIUrl":"https://doi.org/10.22146/jnteti.v12i4.8114","url":null,"abstract":"Pemasangan reaktor shunt pada ujung saluran udara tegangan ekstra tinggi (SUTET) rangkaian ganda 500 kV seringkali dilakukan untuk membantu mengatasi kenaikan tegangan akibat kapasitans saluran yang panjang. Namun, permasalahan tegangan masih mungkin terjadi, khususnya ketika proses penginjeksian tegangan di saluran transmisi baru yang telah terpasang, akibat adanya induksi tegangan dan penguatan parameter dari rangkaian lain di saluran yang sama yang telah terinjeksi terlebih dahulu. Permasalahan munculnya tegangan lebih ini menjadi makin pelik karena saluran dan reaktor shunt telah selesai terpasang, sehingga panjang saluran dan kapasitas reaktor shunt tidak mungkin diubah. Fenomena tegangan lebih dalam penelitian ini terjadi ketika satu rangkaian di saluran transmisi belum diinjeksi, tetapi reaktor shunt telah tersambung, sehingga saluran tersebut mendapat induksi dan penguatan dari rangkaian lain karena di saat yang sama rangkaian yang kedua telah terinjeksi tegangan kerja. Dalam upaya mengatasi kondisi tegangan lebih tersebut, dalam makalah ini dilakukan perubahan skenario manuver injeksi tegangan ke saluran, perubahan skema proteksi jika terjadi gangguan fase ke tanah, dan penambahan relai tegangan lebih. Perubahan skenario manuver injeksi tegangan dapat mengurangi tegangan lebih yang terjadi pada saluran yang belum terinjeksi tegangan hingga 31,9 kVp. Perubahan skema proteksi saat terjadi gangguan fase ke tanah dengan memerintahkan pembukaan circuit breaker (CB) reaktor shunt dapat menghindarkan terjadinya kenaikan tegangan pada fase yang tidak terganggu. Penambahan relai tegangan dilakukan sebagai antisipasi terjadinya tegangan lebih ketika ada gangguan pada saluran dan kondisi CB reaktor shunt tidak mampu membuka akibat gangguan internal.","PeriodicalId":31477,"journal":{"name":"Jurnal Nasional Teknik Elektro dan Teknologi Informasi","volume":"21 2","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-11-16","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"139269961","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2023-11-13DOI: 10.22146/jnteti.v12i4.7507
Fadhil M Hanafi, D. Sukma
Untuk memastikan keandalan sistem pembangkit yang baik, adanya unit pembangkit yang beroperasi atau cadangan daya yang memadai di sistem pembangkit sangatlah penting. Ketersediaan cadangan daya pada sistem ini bergantung pada berbagai faktor, termasuk frekuensi gangguan pada unit-unit pembangkit dan kapasitas puncak yang dibutuhkan oleh sistem. Salah satu contoh sistem pembangkit adalah pembangkit listrik tenaga uap (PLTU) Tembilahan, yang memiliki kapasitas 2 × 7 MW dan melayani beban puncak sebesar 14,31 MW pada periode tahun 2019-2022. Namun, pada periode tahun itu, tingkat keandalan sistem pembangkit, yang diukur dengan indeks loss of load expectation (LOLE), hanya mencapai 33 hari/tahun, jauh di bawah standar Rencana Usaha Penyediaan Tenaga Listrik (RUPTL) PT PLN 2021-2030 yang mencapai 1 hari/tahun. Untuk memperbaiki tingkat keandalan sistem pembangkit PLTU Tembilahan pada tahun 2027, diperlukan analisis untuk mempertimbangkan masa pengadaan pembangkit dan ketersediaan lahan pada sistem tersebut. Analisis ini melibatkan penggunaan metode recursive convolution untuk menghitung indeks lost of load probability (LOLP)/loss of load expectation (LOLE) dan metode regresi linear sederhana untuk memperkirakan beban puncak pada tahun tersebut. Berdasarkan hasil analisis, ditemukan bahwa penambahan tiga unit pembangkit sebesar 7 MW dapat meningkatkan keandalan sistem pembangkit. Luas area yang dibutuhkan untuk unit-unit tambahan ini adalah 2.030,91 m2 dan lahan yang tersedia masih mencukupi. Setelah perbaikan dilakukan, indeks keandalan LOLE sistem pembangkit meningkat menjadi 0,078 hari/tahun untuk tahun 2027, yang memenuhi standar tingkat keandalan pembangkit berdasarkan RUPTL PT PLN 2021-2030.
{"title":"Perbaikan Keandalan PLTU Tembilahan dengan Penambahan Kapasitas Pembangkit","authors":"Fadhil M Hanafi, D. Sukma","doi":"10.22146/jnteti.v12i4.7507","DOIUrl":"https://doi.org/10.22146/jnteti.v12i4.7507","url":null,"abstract":"Untuk memastikan keandalan sistem pembangkit yang baik, adanya unit pembangkit yang beroperasi atau cadangan daya yang memadai di sistem pembangkit sangatlah penting. Ketersediaan cadangan daya pada sistem ini bergantung pada berbagai faktor, termasuk frekuensi gangguan pada unit-unit pembangkit dan kapasitas puncak yang dibutuhkan oleh sistem. Salah satu contoh sistem pembangkit adalah pembangkit listrik tenaga uap (PLTU) Tembilahan, yang memiliki kapasitas 2 × 7 MW dan melayani beban puncak sebesar 14,31 MW pada periode tahun 2019-2022. Namun, pada periode tahun itu, tingkat keandalan sistem pembangkit, yang diukur dengan indeks loss of load expectation (LOLE), hanya mencapai 33 hari/tahun, jauh di bawah standar Rencana Usaha Penyediaan Tenaga Listrik (RUPTL) PT PLN 2021-2030 yang mencapai 1 hari/tahun. Untuk memperbaiki tingkat keandalan sistem pembangkit PLTU Tembilahan pada tahun 2027, diperlukan analisis untuk mempertimbangkan masa pengadaan pembangkit dan ketersediaan lahan pada sistem tersebut. Analisis ini melibatkan penggunaan metode recursive convolution untuk menghitung indeks lost of load probability (LOLP)/loss of load expectation (LOLE) dan metode regresi linear sederhana untuk memperkirakan beban puncak pada tahun tersebut. Berdasarkan hasil analisis, ditemukan bahwa penambahan tiga unit pembangkit sebesar 7 MW dapat meningkatkan keandalan sistem pembangkit. Luas area yang dibutuhkan untuk unit-unit tambahan ini adalah 2.030,91 m2 dan lahan yang tersedia masih mencukupi. Setelah perbaikan dilakukan, indeks keandalan LOLE sistem pembangkit meningkat menjadi 0,078 hari/tahun untuk tahun 2027, yang memenuhi standar tingkat keandalan pembangkit berdasarkan RUPTL PT PLN 2021-2030.","PeriodicalId":31477,"journal":{"name":"Jurnal Nasional Teknik Elektro dan Teknologi Informasi","volume":"87 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-11-13","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"139278849","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2023-11-01DOI: 10.22146/jnteti.v12i4.8044
Agus Supriyanto, R. Isnanto, Oky Dwi Nurhayati, K. K. —. Daun, Penyakit Kopi Robusta, Penyakit Karat Daun, Bercak Daun, Glcm Svm
Tanaman kopi merupakan sumber pendapatan bagi beberapa petani di Indonesia dan berperan penting sebagai penghasil devisa negara. Produksi tanaman kopi dapat menurun akibat serangan hama dan penyakit. Beberapa penyakit yang sering terjadi pada tanaman kopi adalah penyakit pada daun, berupa bercak daun (Cercospora coffeicola) dan karat daun (Hemileia vastatrix). Penelitian yang dilakukan bertujuan untuk mengenali jenis penyakit pada daun kopi robusta dan mengetahui hasil klasifikasi. Penerapan teknologi pengolahan citra berbasis machine learning menggunakan metode klasifikasi support vector machine (SVM) berdasarkan ekstraksi ciri gray level co-occurrence matrix (GLCM) menjadi solusi yang diusulkan. Prapengolahan diperlukan sebelum dilakukannya pengolahan untuk meningkatkan kualitas citra supaya mudah dianalisis. Kemudian, dilakukan segmentasi menggunakan k-means clustering. Proses segmentasi k-means clustering dengan tiga cluster digunakan untuk membedakan bagian yang terdampak penyakit bercak daun atau karat daun dengan bagian yang tidak terdampak penyakit. Metode GLCM digunakan sebagai ekstraksi ciri, berdasarkan fitur angular second moment (ASM) atau energi, kontras, korelasi, inverse different moment (IDM) atau homogenitas, dan entropi dengan sudut 0°, 45°, 90°, dan 135°, serta jarak antar piksel 1 sampai 3 piksel. Metode SVM digunakan sebagai klasifikasi dengan kernel linear, polinomial, dan Radial Basis Function (RBF) Gaussian. Penelitian ini menggunakan citra bercak daun dan karat daun, dengan jumlah data latih 320 citra dan data uji 80 citra. Hasil pengujian terbaik diperoleh pada kernel RBF Gaussian dengan tingkat akurasi terbaik sebesar 97,5%, presisi 95,24%, recall 100%, dan F1-score 97,56%.
{"title":"Klasifikasi Penyakit Daun Kopi Robusta Menggunakan Metode SVM dengan Ekstraksi Ciri GLCM","authors":"Agus Supriyanto, R. Isnanto, Oky Dwi Nurhayati, K. K. —. Daun, Penyakit Kopi Robusta, Penyakit Karat Daun, Bercak Daun, Glcm Svm","doi":"10.22146/jnteti.v12i4.8044","DOIUrl":"https://doi.org/10.22146/jnteti.v12i4.8044","url":null,"abstract":"Tanaman kopi merupakan sumber pendapatan bagi beberapa petani di Indonesia dan berperan penting sebagai penghasil devisa negara. Produksi tanaman kopi dapat menurun akibat serangan hama dan penyakit. Beberapa penyakit yang sering terjadi pada tanaman kopi adalah penyakit pada daun, berupa bercak daun (Cercospora coffeicola) dan karat daun (Hemileia vastatrix). Penelitian yang dilakukan bertujuan untuk mengenali jenis penyakit pada daun kopi robusta dan mengetahui hasil klasifikasi. Penerapan teknologi pengolahan citra berbasis machine learning menggunakan metode klasifikasi support vector machine (SVM) berdasarkan ekstraksi ciri gray level co-occurrence matrix (GLCM) menjadi solusi yang diusulkan. Prapengolahan diperlukan sebelum dilakukannya pengolahan untuk meningkatkan kualitas citra supaya mudah dianalisis. Kemudian, dilakukan segmentasi menggunakan k-means clustering. Proses segmentasi k-means clustering dengan tiga cluster digunakan untuk membedakan bagian yang terdampak penyakit bercak daun atau karat daun dengan bagian yang tidak terdampak penyakit. Metode GLCM digunakan sebagai ekstraksi ciri, berdasarkan fitur angular second moment (ASM) atau energi, kontras, korelasi, inverse different moment (IDM) atau homogenitas, dan entropi dengan sudut 0°, 45°, 90°, dan 135°, serta jarak antar piksel 1 sampai 3 piksel. Metode SVM digunakan sebagai klasifikasi dengan kernel linear, polinomial, dan Radial Basis Function (RBF) Gaussian. Penelitian ini menggunakan citra bercak daun dan karat daun, dengan jumlah data latih 320 citra dan data uji 80 citra. Hasil pengujian terbaik diperoleh pada kernel RBF Gaussian dengan tingkat akurasi terbaik sebesar 97,5%, presisi 95,24%, recall 100%, dan F1-score 97,56%.","PeriodicalId":31477,"journal":{"name":"Jurnal Nasional Teknik Elektro dan Teknologi Informasi","volume":"11 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-11-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"139300610","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
京公网安备 11010802042870号
京ICP备2023020795号-1
扫码关注我们
求助内容：
应助结果提醒方式：