Hasil Pencarian  ::  Simpan CSV :: Kembali

"Telur ayam kampung atau telur ayam buras adalah telur ayam umum dikonsumsi masyarakat Indonesia sebagai makanan biasa atau juga sebagai obat. Pengklasifikasian kualitas telur ayam kampung. Dilakukan untuk dapat membedakan telur yang layak konsumsi dan tidak layak konsumsi. Beberapa penelitian serupa menggunakan Arduino dan sensor photodioda untuk melakukan klasifikasi, selain itu juga ada beberapa penelitian yang menggunakan machine learning untuk membedakan jenis telur. Dari penelitian yang telah di lakukan dilihat bahwa akurasi masih kecil, dan dirasa masih bisa di ditingkatkan. Dalam penelitian ini dibuat sistem klasifikasi kualitas telur ayam kampung dengan menggunakan algoritma you only look once (YOLO) versi 4. Data set yang digunakan pada penelitian ini berupa data set dari 4 kategori kondisi telur atau 4 class antara lain telur baik, busuk, fertil, dan telur retak. Data set diakuisisi dengan disinari dengan lampu led yang diberikan tegangan 12V pada kotak akuisisi, dan citra ditangkap dengan webcam Logitech c270. Dari pelatihan data set citra telur ayam kampung dihasilkan akurasi sebesar 96.76% di pengujian pada validation set dan sebesar 95.26% pada test set. Dari kasus pendeteksian kualitas telur ayam kampung dengan deep learning berbasis algoritma YOLOv4 ini memungkinkan adanya pengembangan lebih lanjut.

---

Local breed chicken eggs or local breed chicken eggs are chicken eggs that are commonly consumed by Indonesian people as ordinary food or also as medicine. Classification of local breed chicken egg quality. This is done to be able to distinguish eggs that are suitable for consumption and not suitable for consumption. Several similar studies used Arduino and photodiode sensors to carry out classification, besides that there were also several studies using machine learning to distinguish types of eggs. From the research that has been done, the accuracy is still small, and it is felt that it can still be improved. In this research, local breed chicken egg quality classification system was created using you only look once (YOLO) version 4 algorithm. The dataset used in this study was a data set of 4 categories of egg conditions or 4 classes including good eggs, rotten, fertile, and cracked eggs. The dataset was acquired by irradiating it with a led lamp supplied with a 12V voltage on the acquisition box, and the image was captured with a Logitech c270 webcam. From the local breed chicken egg image dataset training, an accuracy of 96.76% was obtained in the validation set test and 95.26% in the test set. From the case of detecting local breed chicken egg quality with deep learning based on the YOLOv4 algorithm, it allows for further development."

"Komputasi intelejensia yang digunakan dalam masalah klasifikasi pola dapat digolongkan menjadi dua bagian, yaitu yang berbasis pada Neural Network dan yang berbasis pada Pembelajaran Statistika (Statistical Learning). Pembelajaran yang berbasis statistika, pertama kali ditemukan oleh Vapnik pada dekade tujuh-puluhan. Untuk masalah klasifikasi pola Vapnik mengembangkan metode hyperplane optimal separation, atau dikenal juga dengan nama metode Support Vector Machines (SVM). Pada awalnya SVM dirancang hanya untuk menyelesaikan masalah klasifikasi biner, yaitu dari data-data yang ada, diklasifikasikan menjadi dua kelas. Untuk mengklasifikasikan data yang terdiri dari lebih dari dua kelas, metode SVM tidak dapat langsung digunakan. Ada beberapa metode yang dapat digunakan untuk menyelesaikan masalah klasifikasi multikelas SVM yaitu: metode One-vs-One dan metode One-vs-Rest. Kedua metode ini merupakan perluasan dari klasifikasi biner SVM. Kedua metode tersebut akan dibahas di artikel ini dan akan dilihat kinerjanya dalam mengklasifikasikan aroma. Data aroma yang digunakan dalam percobaaan ini terdiri dari 3 jenis aroma, masing-masing aroma terdiri atas 6 kelas. Pembagian kelas ini berdasarkan pada konsentrasi alkohol yang dicampurkan pada masing-masing aroma. Misalkan untuk aroma A, terdapat 6 jenis aroma A dengan kandungan alkohol : 0%, 15%, 25%, 30%, 45% dan 75%. Kinerja dari kedua metode diukur berdasarkan kemampuan untuk mengenal dan mengklasifikasikan aroma, dengan tepat dan sesuai dengan jenis atau kelas, dari data yang diberikan.

---

Aroma classification using one-vs-one and one-vs-rest methods. Computational Intelligence used in pattern classification problem can be divided into two different parts, one based on Neural Network and the other based on Statistical Learning. The Statistical Learning discovered by Vapnik on 70-est decade. For the pattern classification, Vapnik developed hyperplane optimal separation, which is known as Support Vector Machines Method (SVM). In the beginning, SVM was designed only to solve binary classification problem, where data existing are classified into two classes. To classify data whose consist of more than two classes, the SVM method can not directly be used. There are several methods can be used to solve SVM multiclasses classification problem, they are One-vs-One Method and One-vs-Rest Method. Both of this methods are the extension of SVM binary classification, they will be discussed in this article so that we can see their performance in aroma classification process. Data of aroma used in this experiment is consisted of three classes of aroma, each of them has six classes. The division of this class is based on alcohol concentration mixed into each of those aromas. For example, for aroma A, there are six kinds of aroma A with different alcohol concentration: 0%, 15%, 25%, 30%, 45% and 75%. The performance of these methods is measured based on their ability to recognize and classify aroma, precisely and match with the right class or variety of data existed."

"Seiring derasnya arus informasi berita elektronik, timbul kebutuhan untuk mengatur informasi tersebut sehingga pengguna dapat mengaksesnya dengan lebih mudah. Akan tetapi jika pengelompokan berita dilakukan secara manual, maka akan memakan waktu yang lama dan mahal. Klasifikasi dokumen secara otomatis sekiranya diperlukan untuk mengurangi biaya dan mempercepat pengaturan informasi. Salah satu metode yang dapat digunakan dalam pengklasifikasian yaitu Naïve Bayes Classifier. Fokus penelitian ini adalah meneliti karakteristik Naïve Bayes Classifier untuk memperoleh kinerja yang optimal dalam proses klasifikasi. Cara yang diterapkan pada penelitian ini yaitu dengan mengujicobakan metode tersebut dengan 3 perlakuan yaitu membandingkan kinerja sistem terhadap stemming maupun non stemming, berbagai proporsi dokumen pembelajaran dan jumlah kategori dalam klasifikasi. Tahapan penelitian dilakukan mulai dari studi pustaka, menerapkan metode Naïve Bayes Classifier dalam pengklasifikasian berita berbahasa Indonesia, melakukan uji coba dan analisa mengenai karakteristik metode ini serta menarik kesimpulan dari hasil analisa. Penelitian dilakukan terhadap 1351 dokumen berita berbahasa Indonesia dari situs www.suarapembaruan.com yang diambil pada bulan Januari 2004 sampai dengan bulan November 2004.Hasil penelitian menunjukan bahwa Naive Bayes Classifier merupakan metode yang memiliki tingkat akurasi yang tinggi. Kinerja akan lebih baik jika metode ini diterapkan dengan stemming dibanding tanpa stemming walaupun selisih kinerja keduanya tidak terpaut jauh yaitu sekitar 3,87%. Selain itu, hasil penelitian juga menunjukan bahwa kinerja metode ini dipengaruhi oleh jumlah dokumen pembelajaran. Semakin banyak dokumen pembelajaran yang digunakan, maka akan semakin tinggi tingkat keakuratan metode ini. Hal ini terbukti dari uji coba kombinasi stemming dengan proporsi dokumen pembelajaran 90% yang mampu mencapai kinerja tertinggi selama penelitian yaitu recall sebesar 93,5%, precision 94,125% dan F-measure 93,81%. Hal menarik yang terjadi adalah akurasi masih tetap relatif tinggi walaupun dokumen pembelajaran secara ekstrim dikurangi menjadi 10%. Hal ini ditunjukan dengan recall sebesar 89,82%, precision 90,36% dan F-measure 90,1%.Pada penelitian ini juga mengamati apakah Naïve Bayes Classifier merupakan metode klasifikasi yang stabil. Hal ini diteliti dengan membandingkan kinerja sistem terhadap banyaknya jumlah kategori dalam klasifikasi. Hasilnya ternyata jumlah kategori tidak mempengaruhi kinerja metode ini. NBC merupakan metode yang stabil jika dilihat dari segi kuantitas kategori."

"The NTIS classification system has simpler notation than DDC. It does not recognize supporting table so that it can determine the notation faster. The number of the main class in NTIS classification system is 39 while DDC is 10. NTIS is most suitable for special libraries in the field of technology such as the Agency for the Assesment and Application of Technology (BPPT) since the system has a more specific technology subject. DDC is also effective for collection data exchange since 2010, referring that generally libraries in Indonesia has not recognized NTIS. Both systems actually have its advantages and disadvantages. In determining notations, both NTIS and DDC use the same initial step that is to determine the collection subject. NTIS is faster especially in handling technology subject. It is also more specific in referring technology subject. The number of the main class in NTIS is 39 while DDC is 10. Both systems have index. NTIS does not have supporting table while DDC has. NTIS uses a simpler notation because it uses only 2 digits. According to a key informant, the NTIS classification system does not recognize supporting table. In terms of notation search, NTIS's scheme is faster because it uses limited classification numbers. Index is mostly used for determining classification notation. Index in both systems is a clue represented in a systematically arranged letters. In NTIS, it can be figured out that subjects on technology is more specific yet in some certain categories is not as detail as DDC."

"Pengukuran viskositas zat cair merupakan aspek penting dalam berbagai industri. Dalam mengukur viskositas suatu cairan umumnya menggunakan viskometer bola jatuh. Namun penggunaan viskometer bola jatuh memiliki kekurangan dalam ketelitian dalam menentukan kecepatan terminal bola ketika mencapai kedalaman tertentu. Dalam penelitian ini, penulis merancang pendekatan baru yang menggabungkan teknologi pengolahan video dengan metode deep learning, khususnya algoritma You Only Look Once (YOLO), untuk mengukur viskositas zat cair secara efisien dan akurat. Pendekatan ini memungkinkan pengukuran viskositas dilakukan dengan menggunakan kamera sederhana, yang secara otomatis menganalisis pergerakan jatuhnya kelereng dalam suatu fluida. Penulis melatih model deep learning menggunakan dataset video jatuhnya bola pada suatu cairan yang diambil secara langsung menggunakan kamera smartphone, dan menunjukkan bahwa pendekatan ini mampu menghasilkan pengukuran viskositas yang akurat dengan waktu perhitungan yang lebih cepat dibandingkan menggunakan viskometer bola jatuh. Hasil percobaan menunjukkan bahwa model YOLO mampu mendeteksi 11 objek dari total 25 gambar dengan presisi 0,99 dan konsistensi tinggi (mAP50-95 sebesar 0,86). Model ini efektif dalam mendeteksi jatuhnya kelereng, dengan waktu pemrosesan per gambar yang cepat. Meskipun beberapa frame tidak terdeteksi, model menunjukkan akurasi tinggi dalam memprediksi viskositas dengan MAE sebesar 0,13, menjadikannya andal dan efisien untuk pengukuran viskositas dalam aplikasi industri dan laboratorium.

---

Viscosity measurement of liquid substances is an important aspect in various industries. The traditional method of measuring viscosity is by using a falling ball viscometer. However, this method has limitations in accurately determining the terminal velocity of the ball at a certain depth. In this research, the author designed a new approach that combines video processing technology with deep learning methods, specifically the You Only Look Once (YOLO) algorithm, to measure the viscosity of liquid substances efficiently and accurately. This approach allows viscosity measurement to be done using a simple camera, which automatically analyzes the movement of a marble falling in a fluid. The author trained a deep learning model using video datasets of the falling ball in a liquid captured directly using a smartphone camera, and demonstrated that this approach can produce accurate viscosity measurements with faster calculation time compared to using a falling ball viscometer. The experimental results demonstrated that the YOLO model accurately detected 11 objects out of 25 images with a precision of 0,99 and a consistent mAP50-95 score of 0,86. Applied to 7 video frames, it processed images quickly with times of 1,9 ms for preprocessing, 45,7 ms for inference, and 0,6 ms for post-processing. Despite some frames missing detections, the model achieved a high accuracy in predicting viscosity with a Mean Absolute Error (MAE) of 0,13, making it reliable for various industrial and laboratory applications."