Article Per Year (5 Year)
p-Index From 2021 - 2026
1.244
P-Index
This Author published in this journals
All Journal ELIT JOURNAL Electrotechnics And Information Technology Jurnal Sains Student Research SAINTEK Journal of Golden Generation Engineering
Dede Brahma Arianto
Universitas Faletehan
Aerospace Engineering Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mechanical Engineering Transportation Other

Published : 8 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 8 Documents
Search

 1 
KLASIFIKASI PENYAKIT KANKER PAYUDARA MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN) Rosi Susanti; Dede Brahma Arianto
Journal of Golden Generation Engineering Vol. 2 No. 2 (2026): Juli : Journal of Golden Generation Engineering
Publisher : PT. Lembaga Penerbit Penelitian Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.65244/jggengineering.v2i2.786

Abstract

Kanker payudara dapat menurunkan kualitas hidup sehingga diperlukan skrining yang cepat dan konsisten. Penelitian ini mengembangkan sistem klasifikasi kanker payudara berbasis Convolutional Neural Network (CNN) yang diimplementasikan pada aplikasi skrining berbasis web. Dataset disusun ke dalam data latih, validasi, dan uji, kemudian citra diproses melalui penyesuaian ukuran 224×224, normalisasi, serta augmentasi pada data latih. Model dibangun menggunakan arsitektur MobileNetV3 Small dengan keluaran tiga kelas, yaitu Normal, Benign, dan Malignant. Sistem juga menerapkan validasi input untuk memastikan prediksi hanya dilakukan pada citra jaringan payudara sebelum proses inferensi. Hasil pengujian pada 300 data uji menunjukkan akurasi sebesar 88,00% dengan performa per kelas yang bervariasi, di mana kesalahan klasifikasi masih terjadi pada kelas-kelas yang memiliki kemiripan ciri visual. Hasil ini menunjukkan CNN efektif untuk mendukung skrining awal kanker payudara dan dapat ditingkatkan melalui penambahan data serta optimasi pelatihan pada penelitian selanjutnya
Sistem Pendeteksian Jenis Kulit Wajah dan Rekomendasi Skincare Berbasis Android Menggunakan Convolutional Neural Network (CNN) Nurfalah Nurfalah; Dede Brahma Arianto
Journal of Golden Generation Engineering Vol. 2 No. 2 (2026): Juli : Journal of Golden Generation Engineering
Publisher : PT. Lembaga Penerbit Penelitian Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.65244/jggengineering.v2i2.839

Abstract

Penelitian ini bertujuan untuk mengimplementasikan metode Convolutional Neural Network (CNN) dalam pendeteksian jenis kulit wajah dan rekomendasi skincare berbasis Android. Sistem mengklasifikasikan jenis kulit menjadi normal, kering, berminyak, berjerawat, dan sensitif menggunakan 750 citra wajah yang telah diberi label. Model dilatih dengan 50 epoch, ukuran citra 224×224 piksel, dan optimizer Adam. Hasil pelatihan menunjukkan bahwa akurasi meningkat seiring bertambahnya epoch, sementara nilai loss menurun. Evaluasi pada data uji menghasilkan akurasi sebesar 99% dengan loss 3,73%, yang menunjukkan performa model yang sangat baik. Sistem mampu mengklasifikasikan jenis kulit secara akurat serta memberikan rekomendasi skincare yang disesuaikan dengan kondisi kulit pengguna. Implementasi dalam aplikasi Android memudahkan pengguna dalam melakukan deteksi secara langsung melalui kamera smartphone, sehingga membantu dalam memilih produk perawatan yang tepat.
Analisis Risiko Penyebaran Penyakit Demam Berdarah Menggunakan Algoritma Naive Bayes Nisa Cherani Sutansi; Dede Brahma Arianto
Journal of Golden Generation Engineering Vol. 2 No. 2 (2026): Juli : Journal of Golden Generation Engineering
Publisher : PT. Lembaga Penerbit Penelitian Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.65244/jggengineering.v2i2.935

Abstract

Demam Berdarah Dengue (DBD) merupakan salah satu penyakit menular yang masih menjadi permasalahan kesehatan masyarakat di Indonesia dan berbagai negara tropis. Penyakit ini disebabkan oleh virus dengue yang ditularkan melalui gigitan nyamuk Aedes aegypti. Tingginya jumlah kasus serta potensi terjadinya kejadian luar biasa (KLB) menunjukkan bahwa diperlukan metode analisis yang mampu mengidentifikasi pola risiko penyebaran penyakit secara sistematis dan akurat. Seiring berkembangnya teknologi informasi, pendekatan berbasis Machine Learning mulai dimanfaatkan dalam bidang kesehatan, khususnya dalam analisis data epidemiologi. Machine Learning memungkinkan sistem komputer untuk mempelajari pola dari data historis dan menghasilkan prediksi yang dapat digunakan sebagai dasar pengambilan keputusan. Salah satu algoritma yang sering digunakan adalah Naive Bayes yang bekerja berdasarkan teori probabilitas Bayes dengan asumsi bahwa setiap variabel bersifat independen. Dalam penelitian ini digunakan algoritma Naive Bayes untuk menganalisis risiko penyebaran penyakit Demam Berdarah berdasarkan beberapa faktor yang mempengaruhi, seperti kondisi lingkungan, kepadatan penduduk, serta data historis kasus penyakit. Metode ini diharapkan mampu menghasilkan model klasifikasi yang dapat membantu dalam proses pengambilan keputusan terkait pencegahan dan pengendalian penyakit DBD.
ANALISIS PERBANDINGAN ALGORITMA RANDOM FOREST DAN ISOLATION FOREST DALAM DETEKSI ANCAMAN KEAMANAN SIBER Muhamad Farhan Qolbi; Dede Brahma Arianto
JOURNAL SAINS STUDENT RESEARCH Vol. 4 No. 4 (2026): Agustus: Jurnal Sains Student Research
Publisher : CV. KAMPUS AKADEMIK PUBLISING

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61722/jssr.v4i4.11545

Abstract

Cybersecurity threats continue to increase in both number and complexity, necessitating a detection system capable of accurately and efficiently identifying malicious activity. This study aims to evaluate the performance of the Random Forest algorithm compared to the Isolation Forest in detecting cybersecurity threats by utilizing the Cybersecurity Threat Detection Logs Dataset. Experiments were conducted with three variations of data size: 100,000, 200,000, and 500,000 to assess the impact of data scale on model performance. The preprocessing process included feature selection, categorical data encoding, and the division of training and testing data using a stratified sampling technique. Model evaluation was performed using precision, recall, F1-score, and accuracy metrics based on a weighted average due to class imbalance in the dataset. The study findings revealed that Random Forest provided more stable and superior performance with precision, recall, F1-score, and accuracy values reaching 0.85 in all test scenarios. On the other hand, Isolation Forest showed good effectiveness in detecting anomalies, but also produced a higher false positive rate. Therefore, Random Forest is more suitable to be used as the main model for labeled cyber threat detection, while Isolation Forest can serve as a supporting system for anomaly detection.
PREDIKSI HARGA SAYURAN DI PASAR TRADISIONAL MENGGUNAKAN ALGORITMA K-NEARST NEIGHBOR (KNN) Nurhidayat Nurhidayat; Dede Brahma Arianto
JOURNAL SAINS STUDENT RESEARCH Vol. 4 No. 4 (2026): Agustus: Jurnal Sains Student Research
Publisher : CV. KAMPUS AKADEMIK PUBLISING

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61722/jssr.v4i4.11584

Abstract

Sayuran merupakan komoditas musiman yang penting namun sering mengalami ketidakstabilan harga, yang dapat merugikan petani dan menyulitkan konsumen. Penelitian ini bertujuan untuk mengimplementasikan algoritma K-Nearest Neighbor (KNN) dalam memprediksi harga sayuran di pasar tradisional guna memberikan referensi bagi para pemangku kepentingan. Dataset yang digunakan mencakup data historis harga dan faktor yang mempengaruhinya seperti curah hujan atau luas panen. Hasil penelitian diharapkan dapat memberikan tingkat akurasi yang tinggi dalam memprediksi fluktuasi harga, serupa dengan penelitian sebelumnya yang mencapai akurasi hingga 91,67% untuk komoditas tertentu. Implementasi ini penting untuk membantu stabilitas pasar dan ketahanan pangan nasional
Implementasi Algoritma K-Nearest Neighbor dalam Prediksi Diabetes Mellitus Risya Sholehatun Nisa; Dede Brahma Arianto
JOURNAL SAINS STUDENT RESEARCH Vol. 4 No. 4 (2026): Agustus: Jurnal Sains Student Research
Publisher : CV. KAMPUS AKADEMIK PUBLISING

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61722/jssr.v4i4.11619

Abstract

Diabetes melitus merupakan gangguan metabolik jangka panjang yang ditandai oleh meningkatnya kadar glukosa darah akibat ketidakseimbangan produksi maupun pemanfaatan hormon insulin dalam tubuh. Tingginya angka kejadian diabetes yang terus mengalami peningkatan menegaskan perlunya pendekatan prediksi yang mampu mendukung upaya deteksi dini secara lebih akurat. Penelitian ini mengkaji penerapan algoritma K-Nearest Neighbor (KNN) sebagai metode pembelajaran terawasi untuk melakukan klasifikasi risiko diabetes berdasarkan data medis pasien. Data yang digunakan bersumber dari dataset terbuka Kaggle dengan jumlah 768 sampel yang mencakup beberapa atribut klinis, antara lain kadar glukosa, tekanan darah, indeks massa tubuh, insulin, serta usia. Tahapan penelitian meliputi pengolahan awal data, pemisahan data latih dan data uji, serta proses klasifikasi menggunakan algoritma KNN dengan perhitungan jarak Euclidean. Kinerja model dievaluasi menggunakan parameter akurasi, presisi, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model mampu mencapai tingkat akurasi sebesar 69%, dengan nilai presisi 68%, recall 69%, dan F1-score 68%. Capaian tersebut menunjukkan bahwa algoritma KNN dapat mengidentifikasi pola kedekatan antar data medis secara cukup efektif. Oleh karena itu, algoritma ini berpotensi dikembangkan sebagai sistem pendukung keputusan untuk membantu proses identifikasi dini penyakit diabetes
Perancangan Aplikasi Monitoring Pemberian Pakan Otomatis Berbasis Mobile Menggunakan Metode Mobile-D Dede Brahma Arianto; Risya Sholehatun Nisa; Ahmad Sanusi; Muhamad Farhan Qolbi
Jurnal ELIT Vol. 7 No. 1 (2026): Jurnal ELIT
Publisher : Jurusan Teknik Elektro Politeknik Negeri Pontianak

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Feed plays a fundamental role in aquaculture activities because it is directly related to the productivity and sustainability of cultivated organisms. Manual feeding often causes various problems, including inaccurate dosages, irregular feeding times, and limitations in the monitoring process. This research focuses on the design and development of an automatic feeding system that can be controlled and monitored via mobile devices by applying the Mobile-D method as a software development approach. The system developed combines Internet of Things technology with a mobile application to support feeding schedule management, device condition monitoring, and real-time data management. The research stages include needs analysis, system and interface design, application implementation, and functionality testing. The development results show that the system is able to operate according to its designed functions, providing ease in feeding management, and increasing the efficiency and accuracy of the maintenance process. Therefore, this system can be an alternative solution in supporting mobile technology-based aquaculture management.
Analisis Segmentasi Faktor Akademik pada Kinerja Siswa Menggunakan Algoritma K-Means Clustering Ade Maulana Bilgis; Dede Brahma Arianto
Prosiding Sains dan Teknologi Vol. 4 No. 1 (2025): Seminar Nasional Sains dan Teknologi (SAINTEK) ke 4 - Februari 2025
Publisher : DPPM Universitas Pelita Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Performa akademik siswa dipengaruhi oleh berbagai faktor, dan penelitian ini menggunakan algoritma KMeans clustering untuk melakukan analisis segmentasi faktor akademik pada kinerja siswa. Dataset yang digunakan di ambil dari data public Student Perfomance Factors di Kaggle, yang terdiri dari 6.607 siswa yang memiliki karakteristik seperti jam belajar, kehadiran, jam tidur, dan nilai sebelumnya. Kemudian, algoritma K-Means digunakan untuk menggabungkan data siswa ke dalam beberapa kluster berdasarkan kesamaan karakteristik. Hasil evaluasi menunjukkan nilai Silhouette Score sebesar 0,27, yang mengindikasikan bahwa segmentasi sudah cukup baik meskipun memiliki ruang untuk peningkatan. Dari proses segmentasi sudah ini, ditemukan bahwa siswa dapat dikelompokkan menjadi tiga kelompok dengan pola yang berbeda. Analisis ini menunjukan bahwa siswa dapat dikelompokan menjadi tiga kelompok, dan dari pengelompokan ini ditemukan bahwa jam belajar dan Tingkat kehadiran siswa memiliki peran yang signifikan terhadap prestasi akademik mereka. Selain itu, ada korelasi antara kebiasaan tidur individu dalam kelompok tertentu. Dengan mengetahui bagaimana setiap kelompok berbeda, metode pembelajaran dapat disesuaikan untuk memenuhi kebutuhan unik pada setiap siswa.
Co-Authors Ade Maulana Bilgis Ahmad Sanusi Muhamad Farhan Qolbi Muhamad Farhan Qolbi Nisa Cherani Sutansi Nurfalah Nurfalah Nurhidayat Nurhidayat Risya Sholehatun Nisa Risya Sholehatun Nisa Rosi Susanti