0.892
P-Index
This Author published in this journals
All Journal Jurnal Ilmu Komputer dan Agri-Informatika
Articles
5
Documents
Pengenalan Suara Paru-Paru dengan MFCC sebagai Ekstraksi Ciri dan Backpropagation sebagai Classifier

Jurnal Ilmu Komputer dan Agri-Informatika Vol 3, No 1 (2014)
Publisher : Departemen Ilmu Komputer IPB

Show Abstract | Original Source | Check in Google Scholar | Full PDF (568.648 KB)

Abstract

Paru-paru merupakan organ vital manusia yang berperan dalam proses pernapasan. Jika paru-paru mengalami gangguan maka sistem pernapasan manusia juga akan mengalami gangguan yang bisa menyebabkan kecacatan bahkan kematian. Untuk mengevaluasi keadaan paru-paru dapat dilakukan dengan mendengarkan suara pernapasan dengan menggunakan stateskop. Teknik ini dikenal dengan teknik auskultasi. Teknik ini paling sering digunakan namun memiliki beberapa kelemahan yaitu suara paru-paru berada pada frekuensu rendah, masalah kebisingan lingkungan, kepekaan telinga, hasil analisa yang subjektif, dan pola suara yang hampir mirip. Karena faktor-faktor di atas kesalahan diagnosa bisa terjadi jika proses auskultasi tidak dilakukan dengan benar. Dalam penelitian ini, akan dibuat pengenalan suara paru-paru normal dan abnormal menggunakan Mel Frequency Cepstrum koefisien (MFCC) sebagai ekstraksi ciri dan Backpropagation sebagai classifier. Suara paru-paru akan dihitung Coeffisient Ceptral nya sebagai penciri dari masing-masing suara untuk selanjutnya dikenali dengan menggunakan Backpropagation. Metode yang diusulkan memberikan akurasi 93.97% untuk data latih dan 92.66% untuk data uji.Kata kunci: Backpropagation, MFCC, pengenalan suara paru-paru

Pemodelan Dimensi Fraktal Multiskala untuk Mengenali Bentuk Daun

Jurnal Ilmu Komputer dan Agri-Informatika Vol 4, No 1 (2015)
Publisher : Departemen Ilmu Komputer IPB

Show Abstract | Original Source | Check in Google Scholar | Full PDF (779.82 KB)

Abstract

Penelitian ini membangun model untuk membedakan bentuk daun menggunakan dimensi fraktal multiskala. Identifikasi tumbuhan obat sangat penting mengingat keanekaragaman hayati di Indonesia dan peran pentingnya di Indonesia. Identifikasi tanaman dapat dilakukan menggunakan analisis bentuk dengan daun sebagai cirinya. Dimensi fraktal multiskala adalah salah satu metode analisis bentuk yang menganalisis bentuk melalui kompleksitasnya. Empat tipe bentuk daun dari spesies berbeda dimodelkan dalam penelitian ini. Analisis multiskala mampu memberikan informasi tambahan mengenai alur perubahan luas bidang dilasi, namun tidak mencirikan bentuk daun yang diuji dalam penelitian ini.Kata kunci: bentuk daun, dimensi fraktal multiskala, tanaman obat.

Pemodelan Jaringan Syaraf Tiruan untuk Memprediksi Awal Musim Hujan Berdasarkan Suhu Permukaan Laut

Jurnal Ilmu Komputer dan Agri-Informatika Vol 1, No 2 (2012)
Publisher : Departemen Ilmu Komputer IPB

Show Abstract | Original Source | Check in Google Scholar | Full PDF (1177.03 KB)

Abstract

Anjatan, Indramayu adalah salah satu daerah pertanian di Indonesia. Keberhasilan atau kegagalan panen setiap tahun tergantung pada ketersediaan air di wilayah tersebut. Oleh karena itu, diperlukan suatu metode yang akurat untuk memprediksi awal musim hujan. Metode yang digunakan untuk prediksi dalam penelitian ini adalah jaringan saraf tiruan (JST) back-propagation. Hasil akurasi prediksi JST diukur dengan R2 dan RMSE. Penelitian ini menggunakan suhu permukaan laut (SST) ECHAM4p5_CA yang merupakan salah satu model suhu permukaan laut di bulan Juni, Juli, dan Agustus. Domain SST dipilih berdasarkan korelasi 5% dan 10% untuk masing-masing bulan Juni, Juli, dan Agustus. Penelitian ini menggunakan arsitektur JST dengan dua parameter: hidden neuron (HN) dan learning rate (LR). Jumlah hidden neuron yang digunakan dalam penelitian ini adalah 5, 10, 20, dan 40, dan tingkat pembelajaran adalah 0.3, 0.1, dan 0.01. Prediksi hasil terbaik untuk korelasi 5% menggunakan JST adalah untuk bulan Juni dengan R2 adalah 51% dan RMSE 3.03 pada HN 10 dan LR 0.01, Juli dengan R2 adalah 48% dan RMSE 3.39 pada HN 20 dan LR 0.1, dan Agustus dengan R2 adalah 75% dan RMSE 2.51 di HN 40 dan LR 0.01. Prediksi hasil terbaik untuk korelasi 10% menggunakan JST adalah untuk bulan Juni dengan R2 adalah 44% dan RMSE 3.32 di HN 5 dan LR 0.3, Juli dengan R2 adalah 42% dan RMSE 3.42 di HN 10 dan LR 0.1, dan Agustus dengan R2 adalah 71% dan RMSE 3.37 di HN 20 dan LR 0.01. Kesimpulan dari penelitian ini adalah hidden neuron dan learning rate dengan nilai yang berbeda mempengaruhi R2 dan RMSE.Kata kunci: hidden neuron, jaringan saraf tiruan, learning rate, RMSE, R2

Perbandingan Sistem Perhitungan Suara Tepuk Tangan dengan Metode Berbasis Frekuensi dan Metode Berbasis Amplitudo

Jurnal Ilmu Komputer dan Agri-Informatika Vol 2, No 1 (2013)
Publisher : Departemen Ilmu Komputer IPB

Show Abstract | Original Source | Check in Google Scholar | Full PDF (951.151 KB)

Abstract

Sistem penilaian berdasarkan suara tepuk tangan sering digunakan dalam acara perlombaan di Indonesia. Namun, penentuan pemenang dengan cara konvensional cenderung subjektif. Penelitian ini mengembangkan sistem penilaian otomatis berbasis komputer untuk menghitung jumlah orang bertepuk tangan dan menentukan pemenang dari perlombaan berdasarkan tepuk tangan. Penelitian ini membandingkan dua metode yang dapat diterapkan yaitu metode berbasis frekuensi dan metode berbasis amplitudo. Metode yang berbasis frekuensi mengimplementasikan Mel Frequency Cepstral Coefficient (MFCC) sebagai pengekstraksi ciri dan codebook sebagai pengenal pola. Hasil yang diperoleh merupakan suatu model berupa kelas-kelas yang diklasterkan oleh K-Means clustering. Parameter penting dalam metode ini adalah jumlah koefisien cepstral, overlap, time frame, dan jumlah klaster. Beberapa pengujian dilakukan untuk menemukan parameter optimum dengan nilai akurasi tertinggi. Metode kedua merupakan metode berbasis amplitudo yang dilakukan dengan menghitung jumlah sampel sinyal yang memiliki nilai amplitudo di atas nilai-nilai ambang (thresholds) tertentu yang menghasilkan akurasi maksimum. Hasil penelitian menunjukkan bahwa akurasi sistem berbasis frekuensi untuk tepuk tangan periodik adalah 83.3% dan untuk tepuk tangan acak ialah 50% sehingga akurasi sistem untuk tepuk tangan acak berbasis threshold yang lebih sederhana ialah 66.7 %. Dengan demikian, metode berbasis amplitudo baik digunakan.Kata kunci: Codebook, K-means, Mel Frequency Cepstral Coefficients (MFCC), Pengenalan Suara, Threshold

Klasifikasi Metagenom dengan Metode Naïve Bayes Classifier

Jurnal Ilmu Komputer dan Agri-Informatika Vol 3, No 1 (2014)
Publisher : Departemen Ilmu Komputer IPB

Show Abstract | Original Source | Check in Google Scholar | Full PDF (1294.449 KB)

Abstract

Studi metagenom merupakan langkah penting pada pengelompokan taksonomi. Pengelompokan pada metagenom dapat dilakukan dengan menggunakan metode binning. Binning diperlukan untuk mengelompokkan contigs yang dimiliki oleh masing-masing kelompok spesies filogenetik. Pada penelitian ini, binning dilakukan dengan menggunakan pendekatan komposisi berdasarkan supervised learning (pembelajaran dengan contoh). Metode supervised learning yang digunakan yaitu Naïve Bayes Classifier. Adapun metode yang digunakan untuk ekstraksi ciri adalah dengan melakukan perhitungan frekuensi k-mer. Klasifikasi pada metagenom dilakukan berdasarkan tingkat takson genus. Dari proses klasifikasi yang dilakukan, akurasi yang diperoleh dengan menggunakan fragmen pendek (400 bp) adalah 49.34 % untuk ekstraksi ciri 3-mer dan 53.95 % untuk ekstrasi ciri 4-mer. Sementara itu, untuk fragmen panjang (10 kbp), akurasi mengalami peningkatan yaitu 82.23 % untuk ekstraksi ciri 3-mer dan 85.89 % untuk esktraski ciri 4-mer. Dari hasil tersebut dapat disimpulkan bahwa akurasi semakin tinggi seiring dengan semakin panjangnya ukuran fragmen. Selain itu, penelitian ini juga menyimpulkan bahwa metode ekstrasi ciri yang memberikan hasil paling maksimal adalah dengan menggunakan ekstraksi ciri 4-mer.Kata Kunci: metagenom, k-mer, Naïve Bayes Classifier, binning, klasifikasi