Alexander A. S. Gunawan, Alexander A. S.
Unknown Affiliation

Published : 3 Documents
Articles

Found 3 Documents
Search

PENGEMBANGAN SISTEM KLASIFIKASI UKURAN PAKAIAN MENGGUNAKAN METODE BODY MEASUREMENT DAN FUZZY LOGIC BERBASIS SENSOR KINECT

Computatio : Journal of Computer Science and Information Systems Vol 1, No 1 (2017): Computatio : Journal of Computer Science and Information Systems
Publisher : Faculty of Information Technology Tarumanagara University

Show Abstract | Original Source | Check in Google Scholar

Abstract

Di dalam kehidupan sehari-hari, penentuan klasifikasi ukuran pakaian biasanya dilakukan dengan mencoba-coba pakaian terlebih dahulu sehingga membutuhkan waktu yang lebih lama. Dalam makalah ini, kita ingin membangun sistem untuk mengidentifikasi ukuran tubuh manusia dengan kamera. Selanjutnya dilakukan klasifikasi ukuran pakaian secara otomatis berdasarkan ukuran tubuh tersebut. Pendekatan yang diajukan untuk memecahkan hal ini adalah dengan metode body measurement dan Fuzzy Logic dengan menggunakan Kinect sebagai sensor. Metode body measurement digunakan untuk mengukur ukuran anggota tubuh manusia berdasarkan citra yang berasal dari sensor Kinect. Fuzzy Logic digunakan untuk menentukan klasifikasi ukuran pakaian berdasarkan hasil pengukuran yang diperoleh. Sistem pengukuran dak klasifikasi ini dapat mempermudah penentuan klasifikasi ukuran pakaian yang pas. Hasil dari penelitian ini menunjukkan bahwa sistem klasifikasi yang dibangun dapat menentukan ukuran pakaian dengan False Match Rate (FMR) sekitar 2.69%.

ANALISIS NUMERIK MODEL SEIQRS-V UNTUK PENYEBARAN VIRUS PADA JARINGAN KOMPUTER

Computatio : Journal of Computer Science and Information Systems Vol 2, No 2 (2018): COMPUTATIO : JOURNAL OF COMPUTER SCIENCE AND INFORMATION SYSTEMS
Publisher : Faculty of Information Technology Tarumanagara University

Show Abstract | Original Source | Check in Google Scholar | Full PDF (704.007 KB)

Abstract

Penelitian ini menjelaskan mengenai model komplementer SEIQRS-V (Susceptible - Exposed - Infectious - Quarantined - Recovered - Vaccinated) yang digunakan untuk menganalisis kondisi jaringan di setiap waktu. Dengan menerjemahkan model komplementer menjadi sistem persamaan differensial, dapat diperoleh kondisi jaringan di setiap waktu dengan menggunakan metode numerik Runge-Kutta Fehlberg dan metode numerik Adam Bashforth Orde 3 yang diimplementasikan ke dalam aplikasi untuk analisis kondisi dan kestabilan jaringan komputer. Aplikasi analisis ini dibuat untuk menampilkan jumlah komputer pada setiap kelompok dalam bentuk tabel, grafik dua dimensi, maupun grafik tiga dimensi. Dengan menggunakan metode numerik yang diimplementasikan pada aplikasi ini, diharapkan pengguna dapat mensimulasikan kondisi jaringan komputer yang ada.

Pendeteksian Bagian Tubuh Manusia untuk Filter Pornografi dengan Metode Viola-Jones

ComTech: Computer, Mathematics and Engineering Applications Vol 3, No 1 (2012): ComTech
Publisher : Bina Nusantara University

Show Abstract | Original Source | Check in Google Scholar

Abstract

Information Technology does help people to get information promptly anytime and anywhere. Unfortunately, the information gathered from the Internet does not always come out positive. Some information can be destructive, such as porn images. To mitigate this problem, the study aims to create a desktop application that could detect parts of human body which can be expanded in the future to become an image filter application for pornography. The detection methodology in this study is Viola-Jones method which provides a complete framework for extracting and recognizing image features. A combination of Viola-Jones method with Haar-like features, integral image, boosting algorithm, and cascade classifier provide a robust detector for the application. First, several parts of the human body are chosen to be detected as the data training using the Viola-Jones method. Then, another set of images (similar body parts but different images) are run through the application to be recognized. The result shows 86.25% of successful detection. The failures are identified and show that the inputted data are completely different with the data training.