Ratri Enggar Pawening, Ratri Enggar
Unknown Affiliation

Published : 5 Documents
Articles

Found 5 Documents
Search

PENGUKURAN KUALITAS WEBSITE BERDASARKAN ISO 9126: SYSTEMATIC MAPPING Kusuma, Selvia Ferdiana; Pawening, Ratri Enggar; Yuhana, Umi Laili
Jurnal Manajemen Informatika Vol 4, No 01 (2015): Volume 4, No 01 Tahun 2015
Publisher : Jurnal Manajemen Informatika

Show Abstract | Original Source | Check in Google Scholar

Abstract

Konteks:  Perkembangan website yang begitu cepat perlu diikuti dengan penilaian kualitasnya. ISO 9126 dapat digunakan sebagai dasar penilaian kualitas website. Website yang baik dapat membawa manfaat yang besar bagi penggunanya. Objektif: Memberikan pemetaan tentang  penilaian kualitas website berdasarkan ISO 9126. Metode: Penelitian ini menggunakan systematic mapping sebagai metode untuk mengumpulkan informasi tentang penilaian kualitas website.  Systematic mapping dibuat berdasarkan makalah yang telah difilterisasi sesuai dengan kriteria inklusi dan eksklusi yang telah tentukan.  Hasil: Berdasarkan kata kunci yang digunakan,  diperoleh 179 makalah dari Elsevier, 5330 makalah dari Google Scholar, dan 274.558 makalah dari IEEE. Setelah melakukan penyeleksian melalui kriteria inklusi dan eksklusi, terdapat 10 makalah dari Elsevier, 15 makalah dari Google Scholar, dan 2 makalah dari IEEE yang dianggap sesuai. Kesimpulan: Karakteristik ISO 9126 yang paling banyak digunakan pada penilaian kualitas website adalah usability. Makalah yang ada sebagian besar menilai kualitas website secara umum dengan memaparkan metode baru untuk penilaiannya. Pada beberapa kasus perlu adanya karakteristik tambahan dalam penilaian website yang disesuaikan dengan jenis dan tujuan website tersebut. Kata Kunci: kualitas website, ISO 9126, systematic mapping.
KLASIFIKASI JENIS DAGING BERDASARKAN TEKSTUR MENGGUNAKAN METODE GRAY LEVEL COOCURENT MATRIX Lihayati, Nurul; Pawening, Ratri Enggar; Furqan, Mohammad
SENTIA 2016 Vol 8, No 1 (2016)
Publisher : SENTIA 2016

Show Abstract | Original Source | Check in Google Scholar | Full PDF (668.666 KB)

Abstract

Tingkat konsumsi dan harga daging yang sangat tinggi banyak dimanfaatkan penjual daging untuk berbuat yang tidak seharusnya. Hal ini terjadi karena pengetahuan pembeli dalam membedakan jenis daging. Salah satu cara untuk mengenali jenis daging dibidang informatika adalah enggunakan pengolahan citra. Tujuan penelitian ini adalah mengklasifikasi jenis daging berdasarkan tekstur daging menggunakan Gray Level Co-occurrence Matrix  dan  diharapkan  penelitian  ini  dapat  dimanfaatkan  untuk  membedakan  jenis  daging  berdasarkan teksturnya untuk berbagai keperluan. Pengambilan citra dilakukan sebanyak 3 kali, dan setiap pengambilan citra menghasilkan 30 citra daging dari setiap jenisnya. Proses klasifikasi menggunakan data latih dengan tujuan menghasilkan satu model yang akan digunakan sebagai penentuan jenis daging. nilai ciri rerata pada metode ini dengan fitur-fitur ekstraksi ciri tertinggi  adalah pada fitur korelasi dan homogenitas. Hasil dari penelitian ini terletak pada nilai k1 dengan akurasi 73,3%.
Ekstraksi Fitur Berdasarkan Deskriptor Bentuk dan Titik Salien Untuk Klasifikasi Citra Ikan Tuna Pawening, Ratri Enggar; Arifin, Agus Zainal; Yuniarti, Anny
Jurnal Buana Informatika Vol 7, No 3 (2016): Jurnal Buana Informatika Volume 7 Nomor 3 Juli 2016
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Original Source | Check in Google Scholar

Abstract

Abstract. The manual classification of fish causes problems on accuracy and execution time. In the image of tuna, beside the shape feature, local features is also necessary to differentiate the types of fish especially which have a similar shape. The purpose of this study is to develop a new feature extraction system which integrates point of saline and the shape of descriptor to classify the image of tuna. The input image is then transformed into HSV format. Hue channel is selected for the segmentation process. Shape descriptors are extracted by using Fourier Descriptor (FD) and the saline points are extracted using Speeded Up Robust Features (SURF). The results of local features are performed by Bag of Feature (BOF). Feature integration combines shape descriptor and saline features with appropriate weight. Experimental results show that by integrating features, the classification problems of fish with similar shape can be resolved with an accuracy of classification acquired by 83.33%.Keywords: feature extraction, fourier descriptor, surf, classification, tuna fish image Abstrak. Klasifikasi secara manual yang dilakukan berdasarkan bentuk, tekstur, dan bagian tubuh ikan dapat menimbulkan permasalahan pada akurasi dan waktu klasifikasi. Pada citra ikan tuna, selain diperlukan fitur bentuk juga diperlukan fitur lokal untuk membedakan jenis ikan terutama yang memiliki bentuk secara visual mirip. Tujuan penelitian ini adalah mengembangkan sistem ekstraksi fitur baru yang mengintegrasikan deskriptor bentuk dan titik salien untuk klasifikasi citra ikan tuna. Segmentasi diawali dengan mengambil kanal Hue pada citra HSV. Deskriptor bentuk diekstrak menggunakan Fourier Descriptor dan titik salien diekstrak menggunakan Speeded Up Robust Features. Untuk menyamakan dimensi dilakukan pemrosesan menggunakan Bag of Feature. Kedua jenis fitur yang sudah diperoleh dilakukan integrasi dengan mempertimbangkan bobot masing-masing fitur. Uji coba dilakukan pada dataset tiga jenis ikan tuna dengan 10-fold cross validation. Hasil uji coba menunjukkan dengan mengintegrasikan deskriptor bentuk dan titik salien permasalahan klasifikasi ikan tuna dengan bentuk yang mirip dapat diselesaikan dengan akurasi klasifikasi sebesar 83,33%.Kata Kunci: ekstraksi fitur, deskriptor fourier, surf, klasifikasi, citra ikan tuna
Otomatisasi klasifikasi kematangan buah mengkudu berdasarkan warna dan tekstur Kusuma, Selvia Ferdiana; Pawening, Ratri Enggar; Dijaya, Rohman
Register: Jurnal Ilmiah Teknologi Sistem Informasi Vol 3, No 1 (2017): Januari-Juni (3/7)
Publisher : Prodi Sistem Informasi - Universitas Pesantren Tinggi Darul Ulum

Show Abstract | Original Source | Check in Google Scholar | Full PDF (1141.772 KB)

Abstract

 Buah Mengkudu merupakan komoditi ekspor yang sedang berkembang di Indonesia. Proses pengklasifikasian kematangan buah Mengkudu perlu dilakukan agar kualitas buah Mengkudu yang di ekspor dapat terjamin. Proses klasifikasi dengan jumlah yang banyak akan sulit apabila dilakukan secara manual. Oleh karena itu, penelitian ini diperlukan untuk menghasilkan proses otomatisasi klasifikasi kematangan buah Mengkudu. Metode yang diusulkan untuk melakukan otomatisasi klasifikasi adalah proses pengenalan karakteristik buah Mengkudu berdasarkan fitur tekstur dan warna. Fitur tektur dan fitur warna didapatkan melalui proses pengolahan citra digital buah Mengkudu. Penelitian ini membuktikan bahwa pengklasifikasian buah Mengkudu dengan algoritma Support Vector Machines (SVM) menghasilkan nilai persentase lebih tinggi dari pada menggunakan algoritma k-Nearest Neighbors (KNN). Hasil persentase tertinggi yang didapatkan yaitu sebesar 87.22%.   Noni fruit is an export commodities that were flourishing in Indonesia. Noni fruit maturity classification process should be done in order the quality of the noni fruit which is exported can be guaranteed. Classification process in large quantities will be difficult if it is done manually. Therefore this research is needed to produce an automation classification process of noni fruit ripeness. The proposed method is characteristic introduction of noni fruit based on texture and color features. Texture and color features are obtained from digital image processing of noni fruit. This research proves that the classification of noni fruit with SVM algorithm produces better accuracy than using KNN algorithm. The highest accuracy is equal to 87.22%.
FEATURE SELECTION METHODS BASED ON MUTUAL INFORMATION FOR CLASSIFYING HETEROGENEOUS FEATURES Pawening, Ratri Enggar; Darmawan, Tio; Bintana, Rizqa Raaiqa; Arifin, Agus Zainal; Herumurti, Darlis
Jurnal Ilmu Komputer dan Informasi Vol 9, No 2 (2016): Jurnal Ilmu Komputer dan Informasi (Journal of Computer Science and Information)
Publisher : Faculty of Computer Science - Universitas Indonesia

Show Abstract | Original Source | Check in Google Scholar | Full PDF (283.816 KB)

Abstract

Datasets with heterogeneous features can affect feature selection results that are not appropriate because it is difficult to evaluate heterogeneous features concurrently. Feature transformation (FT) is another way to handle heterogeneous features subset selection. The results of transformation from non-numerical into numerical features may produce redundancy to the original numerical features. In this paper, we propose a method to select feature subset based on mutual information (MI) for classifying heterogeneous features. We use unsupervised feature transformation (UFT) methods and joint mutual information maximation (JMIM) methods. UFT methods is used to transform non-numerical features into numerical features. JMIM methods is used to select feature subset with a consideration of the class label. The transformed and the original features are combined entirely, then determine features subset by using JMIM methods, and classify them using support vector machine (SVM) algorithm. The classification accuracy are measured for any number of selected feature subset and compared between UFT-JMIM methods and Dummy-JMIM methods. The average classification accuracy for all experiments in this study that can be achieved by UFT-JMIM methods is about 84.47% and Dummy-JMIM methods is about 84.24%. This result shows that UFT-JMIM methods can minimize information loss between transformed and original features, and select feature subset to avoid redundant and irrelevant features.