Article Per Year (5 Year)
p-Index From 2021 - 2026
1.99
P-Index
This Author published in this journals
All Journal Jurnal sistem informasi, Teknologi informasi dan komputer JURTEKSI CSRID (Computer Science Research and Its Development Journal) JISKa (Jurnal Informatika Sunan Kalijaga) bit-Tech Teknika Perwira Journal of Science and Engineering (PJSE) Jurnal Ilmiah Dan Karya Mahasiswa
Muhammad Akbar Maulana
Institut Bisnis Dan Informatika Kwik Kian Gie
Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Languange, Linguistic, Communication & Media Library & Information Science Mathematics

Published : 12 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 12 Documents
Search

 1   2 
Identifikasi Katarak Mata Pada Kucing Dengan Menggunakan Convolutional Neural Network Mikael; Joko Susilo; Muhammad Akbar Maulana
bit-Tech Vol. 8 No. 1 (2025): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v8i1.1881

Abstract

Katarak merupakan salah satu penyakit yang dapat menyerang hewan, termasuk kucing, ditandai dengan kekeruhan pada lensa mata yang dapat menyebabkan gangguan penglihatan hingga kebutaan apabila tidak ditangani. Penyakit ini sering kali tidak terdeteksi pada tahap awal, sehingga diperlukan metode diagnosis dini yang akurat. Penelitian ini bertujuan untuk mengembangkan model Convolutional Neural Network (CNN) sebagai metode pendeteksian katarak pada kucing melalui analisis gambar mata. Subjek penelitian terdiri dari dataset berjumlah 106 gambar mata kucing, yang meliputi 66 gambar mata normal dan 40 gambar mata katarak. Dataset ini dibagi menjadi data training (85 gambar) dan data validasi (21 gambar). Metode penelitian mencakup beberapa tahapan, yaitu studi literatur untuk mendalami teori terkait, preprocessing data untuk memastikan konsistensi dataset, implementasi model CNN, pelatihan model, dan evaluasi performa model menggunakan confusion matrix. Proses pelatihan model dilakukan selama 100 epoch dengan menggunakan optimizer Adam, yang dikenal mampu mempercepat konvergensi model. Arsitektur CNN yang dirancang terdiri dari tiga lapisan konvolusi, lapisan pooling, dan fully connected layer. Hasil penelitian menunjukkan bahwa model CNN yang dikembangkan mampu mencapai akurasi sebesar 71% dalam mengklasifikasikan gambar mata kucing menjadi kategori "Normal" atau "Katarak." Meskipun akurasi ini belum optimal, keterbatasan jumlah dataset menjadi faktor utama yang memengaruhi performa model. Temuan ini memberikan kontribusi awal dalam penerapan kecerdasan buatan untuk deteksi penyakit pada hewan, khususnya katarak pada kucing. Penelitian ini juga menegaskan pentingnya menambah jumlah dan keragaman dataset untuk meningkatkan performa model dan mengurangi risiko overfitting. Potensi pengembangan lebih lanjut dari model ini diharapkan dapat mendukung diagnosis yang lebih cepat dan akurat, sehingga meningkatkan kualitas hidup hewan peliharaan.
Deteksi Suasana Hati Karyawan Berbasis Deep Learning Menggunakan CNN Michelle; Sigit Birowo; Muhammad Akbar Maulana
bit-Tech Vol. 8 No. 1 (2025): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v8i1.1882

Abstract

Emosi adalah bagian penting dari kehidupan manusia yang membantu kita memahami diri sendiri dan mengekspresikan perasaan. Emosi mencerminkan respons atau reaksi alami pada berbagai situasi yang dihadapi. Penelitian ini bertujuan untuk mengembangkan Model Convolutional Neural Network (CNN) yang mampu mengenali emosi manusia berdasarkan ekspresi wajah, khususnya pada kategori “Senang”, “Sedih”, “Marah” dan “Netral” dengan fokus pada karyawan setelah bekerja, untuk melihat apakah karyawan menikmati pekerjaannya atau tidak. Dengan menggunakan dataset berisi 2.059 gambar dari platform Kaggle, proses penelitian mencakup tahapan pengumpulan data, pre-processing data, pelatihan data hingga klasifikasi. Model ini dilatih selama 200 epoch dan menghasilkan akurasi sebesar 89,11% dengan performa yang cukup baik untuk kategori emosi “Senang” dan “Marah”. Namun, model masih mengalami kesultan dalam mengenali emosi “Sedih” dan “Netral”, kemungkinan karena kurangnya data pelatihan dan fitur yang belum optimal. Selama pelatihan, akurasi pada training menunjukkan peningkatan yang konsisten, sedangkan validasi sempat fluktuatif sebelum stabil. Analisis hasil pengujian menunjukkan bahwa model mampu memprediksi emosi dengan probabilitas tinggi, meskipun terdapat kendala dalam generalisasi ke kondisi yang lebih kompleks. Grafik dan evaluasi metriks,seperti precision, recall dan f1-score, menunjukkan adanya ruang untuk perbaikan, terutama dalam pengenalan emosi dengan nilai recall yang rendah. Penelitian ini memiliki potensi signifikan dalam pengenalan emosi melalui ekspresi wajah, yang digunakan untuk memahami emosi yang dialami oleh karyawan. Penelitian ini juga diperlukan pengembangan lebih lanjut guna meningkatkan kemampuan model dalam menangani komplesitas data.
Co-Authors Agung Saputra D. Diffran Nur Cahyo Ema Utami Fahmi Rusdi Al Islami Fidya Farasalsabila Geraldo Tan Gerard, Jeremiah Giesta Rahguna Putri Giesta Rahguna Putri Habib, Muhammad Hanafi Hanafi Hudha, Yans Safarid Istioso, Jason Joko Susilo Juanda Gilang Purnomo Kriswantoro, Andi Leonard Winata Lutvi Riyandari Marcheleno, Marco Michelle Mikael Putri, Giesta Rahguna Radja Ardjuna Rithaudin Pua Richardo Renzo Chandra Samsul Bahri Sigit Birowo Sugeng Priyatno Syarham, Syarham Tutik Lestari Tutik Lestari Verra Budhi Lestari