Abstract:Tujuan penelitian ini adalah membangun suatu aplikasi berbasis sistem operasi Android yang dapat digunakan sebagai media informasi iklan rumah dengan keunggulan fitur memperkirakan sentimen masyarakat terhadap kondisi lingkungan di sekitar rumah yang diiklankan, serta dilengkapi fitur pencarian tempat fasilitas yang ada di sekitar lokasi rumah tersebut. Metode yang digunakan dalam penelitian ini adalah dengan teknik parsing data dari API dengan format JSON. API yang digunakan adalah API Twitter, API uClassify,… Show more
“…Sedangkan penelitian yang memanfaatkan API Clarifai cukup menghasilkan akurasi yang tinggi pula. Pada penelitian [9] memanfaatkan API Clarifai identifikasi objek pada citra. Penelitian ini [10] juga memanfaatkan API Clarifai untuk pendeteksian objek wajah pada citra.Kedua penelitian tersebut berhasil memanfaatkan teknologi API Clarifai dalam proses pengolahan ekstraksi fitur pada citra.…”
Rekomendasi pemupukan berdasarkan tingkat kehijauan daun sudah lumrah dilakukan. Namun saat ini masih terbatas dilakukan secara tradisional yaitu dengan mengandalkan bagan warna daun. Belum ada penelitian khususnya pada tanaman jeruk yang mengklasifikasikan tingkat skala klorofil daun untuk rekomendasi pemupukannya. Pada penelitian ini akan menggunakan teknologi API Clarifai dan algoritma K-Nearest Neighbor (KNN) untuk membangun aplikasi berbasis android yang dapat secara otomatis mengukur tingkat skala klorofil daun jeruk serta dapat memberikan rekomendasi pemupukan yang tepat. API Clarifai digunakan sebagai alat bantu pemrosesan citra daun. Proses yang dilakukan adalah ekstraksi ciri/fitur pada citra tersebut. Ciri yang dieksraksi adalah ciri warna yang paling dominan mendominasi citra daun. Sedangkan algoritma K-Nearest Neighbor (KNN) digunakan sebagai metode klasifikasi citra daun tersebut. Klasifikasi berdasarkan tingkat kehijauan daun sesuai dengan bagan warna daun standar (BWD). Hasil penelitian menunjukkan tingkat akurasi mencapai 90% untuk ekstraksi warna. Sedangkan hasil klasifikasi dengan KNN menghasilkan akurasi mencapai 90% denan nilai K=2. Berdasarkan hasil penelitian dapat disimpulkan bahwa penggunaan API Clarifai dan KNN untuk klasifikasi tingkat kehijauan daun memiliki akurasi yang tinggi. Untuk penelitian lebih lanjut, dapat dilakukan dengan penambahan ekstraksi fitur lainnya seperti bentuk, tekstur, dan lainnya. Selain itu, penggunaan metode klasifikasi lainnya untuk meningkatkan kinerja algoritma KNN dapat juga diterapkan.
“…Sedangkan penelitian yang memanfaatkan API Clarifai cukup menghasilkan akurasi yang tinggi pula. Pada penelitian [9] memanfaatkan API Clarifai identifikasi objek pada citra. Penelitian ini [10] juga memanfaatkan API Clarifai untuk pendeteksian objek wajah pada citra.Kedua penelitian tersebut berhasil memanfaatkan teknologi API Clarifai dalam proses pengolahan ekstraksi fitur pada citra.…”
Rekomendasi pemupukan berdasarkan tingkat kehijauan daun sudah lumrah dilakukan. Namun saat ini masih terbatas dilakukan secara tradisional yaitu dengan mengandalkan bagan warna daun. Belum ada penelitian khususnya pada tanaman jeruk yang mengklasifikasikan tingkat skala klorofil daun untuk rekomendasi pemupukannya. Pada penelitian ini akan menggunakan teknologi API Clarifai dan algoritma K-Nearest Neighbor (KNN) untuk membangun aplikasi berbasis android yang dapat secara otomatis mengukur tingkat skala klorofil daun jeruk serta dapat memberikan rekomendasi pemupukan yang tepat. API Clarifai digunakan sebagai alat bantu pemrosesan citra daun. Proses yang dilakukan adalah ekstraksi ciri/fitur pada citra tersebut. Ciri yang dieksraksi adalah ciri warna yang paling dominan mendominasi citra daun. Sedangkan algoritma K-Nearest Neighbor (KNN) digunakan sebagai metode klasifikasi citra daun tersebut. Klasifikasi berdasarkan tingkat kehijauan daun sesuai dengan bagan warna daun standar (BWD). Hasil penelitian menunjukkan tingkat akurasi mencapai 90% untuk ekstraksi warna. Sedangkan hasil klasifikasi dengan KNN menghasilkan akurasi mencapai 90% denan nilai K=2. Berdasarkan hasil penelitian dapat disimpulkan bahwa penggunaan API Clarifai dan KNN untuk klasifikasi tingkat kehijauan daun memiliki akurasi yang tinggi. Untuk penelitian lebih lanjut, dapat dilakukan dengan penambahan ekstraksi fitur lainnya seperti bentuk, tekstur, dan lainnya. Selain itu, penggunaan metode klasifikasi lainnya untuk meningkatkan kinerja algoritma KNN dapat juga diterapkan.
“…Maka dalam permasalahan tersebut dibutuhkan suatu pengingat. Pada kasus ini API Clarifai bisa mengklasifikasi suatu bentuk gambar yang ingin kita kategorikan menggunkan sensor kamera [7]. Maka dengan API Clarifai dapat dimasukan data gambar untuk mendeteksi wajah tidak fokus.…”
Sekolah luar biasa adalah sekolah yang memfasilitasi Anak Berkebutuhan Khusus (ABK) yang memiliki kelainan dari fisik, mental, down syndrome dan masih banyak lagi. SLBN Sukapura adalah lembaga pendidikan yang diciptakan untuk anak berkebutuhan khusus. Beralamat di Jl. PSM No.2, Sukapura, Kec. Kiaracondong, Kota Bandung, Jawa Barat 40285. Pada sekolah peneliti memfokuskan pada anak berkebutuhan khusus kategori autis pada permasalahan yang ada anak autis susah fokus terhadap suatu pembelajaran yang diberikan sehingga dapat menyebabkan anak tersebut asik terhadap dunianya sendiri, pada permasalahan yang kedua adalah anak tersebut hanya menyukai materi pembelajaran tertentu sehingga materi pembelajaran yang lain diabaikan. Maka peneliti memiliki solusi pada kasus yang ada yaitu membuat aplikasi yang pertama adalah adanya suatu pengingat sehingga anak autisme bisa fokus dan penyampaian materi yang disediakan menggunakan media yang disukai anak tersebut yaitu gambar, video dan materi yang sesuai kebutuhan dengan teknologi yang digunakan adalah API Clarifai dan berbasis android atau disebut E-Learning. Metode pengumpulan data adalah wawancara dan observasi. Dapat disimpulkan hasil akhir dari aplikasi yang dibangun dapat membantu belajar siswa.
“…Untuk proses pencocokan warna pada citra data latih penyakit telinga menggunakan teknologi API Clarifai. Teknologi ini memiliki berbagai macam model pembelajaran mesin untuk mengekstraksi informasi yang terkandung di dalam sebuah citra [4]. Sedangkan untuk proses pengklasifikasian penyakit telinga menggunakan metode K-Nearest Neighbor (KNN).…”
Alat kesehatan khususnya perangkat kamera endoskop memiliki harga yang sangat mahal. Hanya rumah sakit tertentu di kota besar yang memiliki perangkat tersebut. Hal ini merupakan permasalahan karena dengan harga yang sangat mahal akan memberatkan bila dokter melakukan praktek sendiri atau praktek di klinik daerah yang tidak memiliki dana untuk membeli alat tersebut. Penelitian ini akan merancang dan membuat alat pendeteksi penyakit telinga dengan menggunakan kamera mini endoskop yang sudah banyak dijual di pasaran saat ini. Selain itu, sebagai pemrosesan datanya akan menggunakan smartphone berbasis sistem operasi android. Teknologi API Clarifai akan digunakan pada penelitian ini untuk melakukan analisis terhadap citra telinga. Model yang dipilih untuk analisis tersebut yaitu Model Warna (Color model). Model warna dipilih untuk mendeteksi warna dominan yang terkandung di dalam citra telinga. Berdasarkan hasil implementasi dan pengujian yang telah dilakukan, pemanfaata API Clarifai dan Algoritma KNN untuk klasifikasi penyakit telinga menghasilkan nilai yang cukup besar. Terutama untuk jenis penyakit eksternal dari hasil pengujian menunjukkan tingkat akurasi sebesar 90%. Sedangkan untuk penyakit di bagian medium telinga berkisar di angka 70%.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.