p-Index From 2015 - 2020
0.778
P-Index
This Author published in this journals
All Journal MATICS
Irwan Budi Santoso
Teknik Informatika, Sains dan Teknologi Universitas Islam Negeri (UIN) Maulana Malik Ibrahim Malang irwan.budi331177@gmail.com

Published : 8 Documents
Articles

Found 8 Documents
Search

Deteksi Non-RTH(Ruang Terbuka Hijau) Kota Malang Berbasis Citra Google Earth Dengan Menggunakan Naïve Bayes Classifier Santoso, Irwan Budi
MATICS Vol 7, No 2 (2015): Matics
Publisher : Department of Informatics Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.18860/mat.v7i2.3284

Abstract

  Banjir, polusi udara dan naiknya temperatur udara di perkotaan, dewasa ini semakin marak persoalan tersebut tidak lain bersumber dari aktifitas manusia yang tidak terkendali sehingga mengakibatkan kerusakan. Salah satu upaya yang bisa dilakukan untuk membantu menyelesaikan persoalan tersebut adalah adanya fasilitas yang dapat memantau kondisi lingkungan secara riil berupa non-Ruang Terbuka Hijau (non-RTH), melalui komputer. Penyediaan fasilitas tersebut sangatlah mungkin dilakukan dengan memanfaatkan foto satelit seperti yang disediakan oleh Google Earth. Studi kasus dalam penelitian ini adalah kota Malang, dengan metode yang digunakan untuk mendeteksi objek non-RTH dipermukaan bumi kota Malang berdasarkan image atau citra satelit adalah Naïve Bayes Classifier (NBC).Hasil uji coba dengan menggunakan sampel pengujian, menunjukkan tingkat akurasi metode tersebut dalam mendeteksi objek non-RTH kota Malang adalah 81%.
DETEKSI BORAKS PADA BAKSO BERBASIS IMAGE DENGAN MENGGUNAKAN GAUSSIAN CLASSIFIER Santoso, Irwan Budi
MATICS Vol 7, No 1 (2015): Matics
Publisher : Department of Informatics Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.18860/mat.v7i1.2873

Abstract

Abstrak- Bakso adalah salah satu makanan yang bergizi tinggi dan banyak dikonsumsi oleh masyarakat. Adanya kompetisi pasar, dan harga daging yang relatif mahal menimbulkan persaingan tidak sehat yang merugikan konsumen, yaitu pemberian bahan tambahan pegawet boraks yang dapat mengganggu kesehatan. Secara kasat mata sulit membedakan bakso boraks dan non-boraks dan untuk mendeteksinya bisa dilakukan secara laboratorium dan dilakukan oleh ahlinya. Berdasarkan hal tersebut, dilakukan penelitian bagaimana membangun aplikasi deteksi boraks pada bakso berdasarkan image-nya yang diambil dengan kamera digital. Salah satu metode untuk mendeteksi objek berdasarkan image-nya adalah Gaussian Classifier yang mensyaratkan fitur objek berdistribusi Multivariate Normal (Gaussian) dan dengan menggunakan peluang bersayarat dapat dihasilkan fungsi diskriminan. Langkah-langkah dalam mendeteksi boraks berdasarkan image-nya dibagi dua tahap yaitu tahap training dan testing. Tahap training meliputi penentuan sampel image objek bakso, merubah image RGB ke grayscale,  dan melakukan estimasi parameter distribusi fitur objek. Sedangkan tahap testing meliputi select image objek bakso yang diuji, merubah image ke grayscale, deteksi boraks boraks dengan fungsi diskriminan dan hasil estimasi parameter distribusi. Hasil training  menunjukan ada 4 fungsi diskriminan untuk mendeksi boraks pada bakso. Sedangkan hasil testing dari 70 sampel bakso eksperimen (20 non-boraks, 50 boraks), sistem dapat mendeteksi dengan akurasi 71,4286 %.   Kata Kunci: Bakso, Boraks, Fitur, Image, Distribusi Multivariate Normal, Gaussian Classifier
APLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Studi Kasus Pengenalan Karakter Tulisan Tangan) Santoso, Irwan Budi
MATICS MATICS (Vol 5, No 3
Publisher : Department of Informatics Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.18860/mat.v0i0.2424

Abstract

Langkah pertama dalam membangun model pengenalan Tree-Augmented Network (TAN)  dengan  mengukur  besarnya  hubungan  diantara  pasangan  fitur  objek.  Salah  satu metode yang dapat digunakan mengukur besarnya keeratan hubungan secara linier diantara pasangan fitur adalah   Korelasi Pearson. Aplikasi Korelasi Pearson  dalam membangun model Tree-Augmented Network (TAN) dalam penelitian ini, akan diujicobakan pada kasus membangun  model pengenalan karakter tulisan tangan. Data fitur karakter tulisan tangan untuk kasus ini, diasumsikan mengikuti distribusi gaussian karena estimasi parameter model pengenalannya menggunakan estimator Maximum Likelihood (ML). Hasil eksperimen dengan menggunakan data training yang terdiri dari 5 jenis karakter tulisan tangan, menunjukkan untuk dimensi fitur karakter tulisan tangan 10x30 (30 fitur), akurasi sistem Korelasi Pearson dalam membangun model TAN untuk mengenali karakter tulisan tangan  sebesar 88 %.  
MODEL PENGENALAN TERBAIK DENGAN TREE-AUGMENTED NETWORK (TAN) DAN ESTIMATOR MAXIMUM LIKELIHOOD (ML) BERDASARKAN FITUR OBJEK Santoso, Irwan Budi
MATICS MATICS (Vol. 4, No 5
Publisher : Department of Informatics Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.18860/mat.v0i0.2004

Abstract

Pengenalan suatu objek sangat tergantung dari seberapa handal model yang digunakan  serta parameter model tersebut. Tree-Augmented Network (TAN) adalah salah satu model yang handal dalam melakukan klasifikasi, yang dibangun dengan memperhatikan hubungan diantara pasangan fitur-fitur objek. Sedangkan Maximum Likellihood (ML) adalah salah satu estimator yang telah banyak digunakan dan telah teruji penggunaannya. Kehandalan model serta estimator yang digunakan pada kenyataan belum cukup untuk menghasilkan model pengenalan terbaik, akan tetapi ada faktor lain yang memberi kontribusi besar yaitu dimensi atau fitur objek yang digunakan dalam membangun model tersebut. Hasil eksperimen untuk data training yang terdiri dari 5 jenis objek ringan menunjukkan untuk dimensi objek 5x5 (25 fitur), 6x6 (36 fitur) dan 7x6 (42 fitur) menghasilkan model TAN terbaik karena memberikan tingkat akurasi sistem 100%, sedangkan untuk dimensi dibawah atau diatas tersebut menghasilkan tingkat akurasi sistem yang lebih rendah. Kondisi tersebut menunjukkan bahwa tidak selamanya semakin besar dimensi atau fitur objek yang digunakan dalam training akan menghasilkan model yang semakin baik, karena bisa jadi semakin besar dimensi atau fitur objek akan menghasilkan informasi overflow. Kata Kunci: Tree-Augmented Network, Maximum Likelihood, Dimensi (fitur) objek
Deteksi Obyek Nyata (Pada Lingkup : Visualisasi dan Deteksi Obyek Nyata pada Lingkungan Hidup) Santoso, Irwan Budi
MATICS Vol 6, No 2 (2014): MATICS
Publisher : Department of Informatics Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.18860/mat.v6i2.2597

Abstract

Persoalan lingkungan hidup seperti kebakaran hutan, bencana banjir dan tanah longsor semakin marak yang tidak lain akibat dari aktifitas manusia yang liar dan tidak terkendali. Salah satu upaya yang bisa dilakukan untuk membantu menyelesaikan persoalan tersebut adalah adanya fasilitas yang dapat memantau kondisi lingkungan hidup secara riil, melalaui komputer dengan memanfaatkan foto satelit seperti yang disediakan oleh Google Earth. Informasi yang disediakan oleh industri internet tesebut hanya menampilkan foto satelit tanpa mengetahui jenis obyek yang ada dipermukaan bumi. Sehingga dengan keterbatasan tersebut diperlukan pengembangan teknologi lebih lanjut yang dapat melakukan deteksi obyek nyata pada foto satelit. Deteksi obyek nyata yang ada dipermukaan bumi berdasarkan foto satelit sangatlah mungkin dilakukan, hal ini karena setiap obyek yang ada dipermukaan bumi memiliki fitur yang khas. Dalam penelitian ini, metode yang digunakan untuk membantu mendeteksi obyek-obyek nyata dipermukaan bumi berdasarkan image atau citra satelit adalah Tree-Augmented Naïve Bayes Network Classifier (TAN). Dasar penggunakan metode tersebut untuk mendeteksi obyek adalah karena metode tersebut senantiasa memperhatikan hubungan diantara fitur dalam objek, sehingga lebih realistik diterapkan. Adapun langkah-langkah dalam mendeteksi obyek dalam bentuk image satelit dengan menggunakan metode tersebut, secara garis besar dibagi dua tahap yaitu tahap training dan testing. Tahap training meliputi mengambil sampel obyek-obyek nyata pada image satelit (citra landsat) dengan cara cropping obyek-obyek pada image tersebut, merubah image sampel dalam bentuk grayscale, melakukan training untuk membentuk struktur model TAN berserta estimasi parameter modelnya. Sadangkan tahap testing meliputi select obyek yang akan dideteksi, merubah dalam bentuk grayscale, melakukan deteksi obyek berdasarkan struktur model TAN dan parameter hasil training. Dari langkah-langkah tersebut, hasil ujicoba menunjukan bahwa akurasi sistem metode TAN dalam mendeteksi obyek nyata pada image landsat adalah 96,6667%. Kata Kunci : Image Landsat, cropping, Tree-Augmented Naïve Bayes Network Classifier,Training, Akurasi sistem
MEMBANGUN GAUSSIAN CLASSIFIER DALAM MENGENALI OBJEK DALAM BENTUK IMAGE Santoso, Irwan Budi
MATICS Vol 1, No 1 (2014): Matics
Publisher : Department of Informatics Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.18860/mat.v1i1.2645

Abstract

Distribusi Multivariate Normal (Gaussian) adalah salah satu distribusi yang sering digunakan, mengingat hampir semua kejadian bisa didekati dengan distribusi tersebut. Dalam mengenali suatu objek dalam bentuk image, fitur objek tersebut kerapkali mengikuti distribusi Multivariate Gaussian dengan parameter mean dan covariance yang berbebeda-beda. Parameter dan yang berbeda-beda tersebut akan menghasilkan nilai probability density function (pdf) yang berbeda pula. Berdasarakan nilai probability density function ini selanjutnya dapat dibentuk fungsi diskriminan untuk mengenali objek (Gaussian Classifier). Kehandalan Gaussian Classifer dalam mengenali objek dalam bentuk image dipengaruhi oleh 2 faktor utama yaitu ketepatan dan keakuratan dalam pengambilan data objek training yang akan berpengaruh terhadap ketepatan dan keakuratan fitur yang diambil dan asumsi distribusi Multivariate Normal dari fitur objek yang diambil harus terpenuhi. Untuk memenuhi asumsi multivariate distribusi Multivariate Normal maka harus dilakukan pengujian terhadap normalitas distribusi fitur setiap kelas objek. Kata Kunci :  Distribusi Gaussian, Parameter Distribusi, Probability Density Function, Fungsi Diskriminan
Sistem Identifikasi Kandungan Boraks pada Bakso Daging Sapi Berbasis Android Menggunakan Algoritma Naive Bayes Classifier Purwanto, Sofi Dwi; Santoso, Irwan Budi
MATICS Vol 9, No 1 (2017): MATICS
Publisher : Department of Informatics Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.18860/mat.v9i1.3954

Abstract

Poin pertama yang menjadi fokus dalam pemenuhan keamanan adalah keamanan dalam bidang pangan (food security). Di Indonesia, masih terdapat beberapa fenomena seperti penggunaan boraks sebagai zat aktif kimia pada bakso. Hal ini masih menjadi tren yang menjadi hambatan dalam pemenuhan hak manusia dalam mewujudkan keamanan pangan. Penelitian ini mengimplementasikan metode naïve bayes classifiersebagai pendeteksi (detektor) dengan melakukan grayscale dan melakukan estimasi parameter distribusi fitur objek untuk data citra proses training. Sedangkan proses testing juga akan melalui tahap grayscale, selanjutnya proses identifikasi dengan menggunakan fungsi diskriminan dan hasil estimasi parameter distribusi. Jumlah data yang digunakan dalam penelitian sebesar 840 citra meliputi 780 bakso yang dibuat secara mandiri dan 60 data diperoleh dari hasil survey dilapangan. Hasil uji coba menunjukkan hasil terbaik diperoleh dengan tingkat akurasi sebesar 82.7778%  untuk dimensi citra 3x4 dengan jumlah data yang diidentifikasi secara benar adalah sebanyak 149 dari 180 data yang digunakan.
Eggs Fertilities Detection System on the Image of Kampung Chicken Egg Using Naive Bayes Classifier Algorithm Diantoro, Aris; Santoso, Irwan Budi
MATICS Vol 9, No 2 (2017): MATICS
Publisher : Department of Informatics Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.18860/mat.v9i2.4198

Abstract

Losses in chicken eggs hatchery make breeders income declined. The main cause of these things because it is less effective and efficient in distinguishing the state of fertilities in the eggs. The detection of fertile and infertile eggs will automatically provide ease of selection and removal of the eggs are fertile and infertile eggs. This will bring more profits for breeder as well as time efficiency more and selling power. Infertile eggs will give breeders the sale price if it is known as early as possible in order not to fail hatching. A method fuzzy c means and naive bayes classifier is designed to identify the state of the fertility of eggs. By putting eggs near the source light and black background in a dark room, then taked of image with a high qualities camera. From the resulting camera image, then extracted features or take characteristics that distinguish between fertile and infertile eggs. The total amount of data used in this study of 450 eggs image sourced from the field survey. Training data is used   250 data, 125 fertile eggs image data and 125 infertile eggs image data. As for testing the data using the 200 data, the image data 150 fertile eggs and 50 infertile eggs image data. Based on trial results of training data is obtained the best accuracy is equal to 80% at intervals of 5, 86.4% at intervals of 5 and dimensions 70x60, and 99.6% on 1x2 resize. The accuracy of the results obtained by 78%, 82% and 94% in trials testing data.