Article Per Year (5 Year)
p-Index From 2021 - 2026
1.006
P-Index
This Author published in this journals
All Journal Jurnal Media Infotama Infotekmesin Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Bulletin of Network Engineer and Informatics (BUFNETS)
Jose Julian Hidayat
Universitas Pelita Bangsa
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Mechanical Engineering

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
Klasifikasi Penyakit Diabetes Melitus Berbasis Jaringan Syaraf Tiruan Menggunakan Algoritma Multi-Layer Perceptron Jose Julian Hidayat; Daffa Eka Sujianto; Muhammad Randika Saputra; Erik Ahmad Ramdhani; Muhamad Jihansyah; Yogi Nandya
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 1 (2026): Juni 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i1.1042

Abstract

Diabetes Melitus merupakan salah satu penyakit kronis yang membutuhkan proses deteksi dini secara cepat dan akurat agar risiko komplikasi dapat diminimalkan. Penelitian ini bertujuan untuk mengklasifikasikan penyakit Diabetes Melitus menggunakan Jaringan Syaraf Tiruan dengan algoritma Multi-Layer Perceptron. Dataset yang digunakan terdiri dari 100.000 data dengan 9 atribut, yaitu gender, age, hypertension, heart disease, smoking history, body mass index, HbA1c level, blood glucose level, dan diabetes sebagai target klasifikasi. Setelah dilakukan pengecekan data, tidak ditemukan missing value, namun terdapat 3.854 data duplikat sehingga jumlah data setelah pembersihan menjadi 96.146 data. Proses penelitian meliputi preprocessing data, encoding fitur kategorikal, standardisasi fitur numerik, pembagian data training dan testing, pemodelan Multi-Layer Perceptron, serta evaluasi performa model. Model yang digunakan memiliki beberapa hidden layer dengan aktivasi ReLU, batch normalization, dropout, dan output sigmoid untuk klasifikasi biner. Hasil pengujian menunjukkan bahwa model memperoleh accuracy sebesar 0,9715548622, precision sebesar 0,9939810834, recall sebesar 0,6816037736, F1-score sebesar 0,8086743617, dan ROC-AUC sebesar 0,9749626265. Berdasarkan hasil tersebut, algoritma Multi-Layer Perceptron mampu memberikan performa klasifikasi yang baik, khususnya dalam membedakan pasien non-diabetes dan diabetes berdasarkan atribut kesehatan yang tersedia.
COMPARISON OF CNN, FASTER R-CNN, AND MASK R-CNN FOR BRAIN TUMOR DETECTION USING MRI IMAGES Jose Julian Hidayat
Bulletin of Network Engineer and Informatics Vol. 4 No. 1 (2026): BUFNETS (Bulletin of Network Engineer and Informatics) April 2026
Publisher : PT. GWEX NET PUBLISHER

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59688/737266

Abstract

Detecting brain tumours from MRI images remains a difficult challenge due to differences in tumour appearance and the necessity for high diagnostic precision. This study looks at three deep learning algorithms with varying levels of complexity: CNN as a baseline classification model, Faster R-CNN as a region-based detection method, and Mask R-CNN, which combines detection with segmentation. The dataset is divided into four categories: glioma, meningioma, pituitary, and non-tumor. The experimental results show that more advanced structures tend to perform better. The CNN model achieves an accuracy of 0.8900000000 with an F1-score of 0.8871239227, although it has problems in capturing specific tumour characteristics. Faster R-CNN enhances detection capability, with an F1-score of 0.9053533622 and an accuracy of 0.9068750000, especially when recognising tumour locations more precisely. Mask R-CNN achieves the best performance, with an accuracy of 0.9300000000 and an F1-score of 0.9288687706, indicating more consistent results across all classes. Mask R-CNN has the advantage of capturing both object position and structural features via segmentation, hence minimising misclassification. These results imply that integrating detection and segmentation is critical for improving medical image analysis. As a result, Mask R-CNN provides a more reliable method for detecting brain tumours using MRI data.
Analisis Pengaruh CLAHE Preprocessing Terhadap Kinerja Algoritma VGG-16 Transfer Learning dalam Klasifikasi dan Prediksi Penyakit Mata Berbasis Citra Fundus Jose Julian Hidayat; Marlina
Infotekmesin Vol 17 No 2 (2026): Infotekmesin: Juli 2026
Publisher : P3M Politeknik Negeri Cilacap

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35970/

Abstract

Eye diseases such as cataracts, diabetic retinopathy, and glaucoma require early detection to prevent permanent vision impairment. Previous studies have applied Convolutional Neural Networks for fundus image classification; however, optimization of preprocessing using Contrast Limited Adaptive Histogram Equalization in VGG16-based transfer learning remains limited, requiring further evaluation of its impact. This study aims to analyze the effect of CLAHE on VGG16 performance for classifying four fundus image classes: cataract, diabetic retinopathy, glaucoma, and normal. The method compared VGG16 without preprocessing and VGG16 with CLAHE using pre-trained weights and fine-tuning on classification layers. Performance was evaluated using accuracy, precision, and recall. Results showed that accuracy increased from 0.8229 to 0.8520, with an improvement of 0.0291. Improvements were also observed in glaucoma recall and normal precision, indicating better recognition of low-contrast disease patterns. These findings demonstrate that CLAHE enhances contrast, highlights features, and supports deep learning model generalization for medical image classification. Unlike previous studies that primarily focused on improving model architectures, this study specifically evaluates the impact of CLAHE on the sensitivity and generalization capability of VGG16 in multiclass fundus image classification
Analisis Penyakit pada Daun Padi Menggunakan VGG-16 Transfer Learning dan Teknik Segmentasi K-Mean Jose Julian Hidayat; Cindy Setyowati; Aditya Pratama Werdana
Jurnal Media Infotama Vol 21 No 1 (2025): April 2025
Publisher : UNIVED Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37676/jmi.v21i1.7313

Abstract

Diagnosis dini penyakit daun sangat penting untuk meningkatkan hasil panen karena penyakit pada tanaman padi dapat secara signifikan mempengaruhi produksi pertanian. Dengan menggunakan teknik Transfer Learning pada model VGG-16 yang telah disempurnakan bersama dengan segmentasi berbasis K-Means, penelitian ini menyarankan pendekatan berbasis pembelajaran mendalam untuk diagnosis penyakit daun padi. Karena kemampuannya yang luar biasa dalam mengekstrak fitur dari foto digital, VGG-16 dipilih untuk menangkap informasi penting tentang permukaan daun yang mungkin mengindikasikan adanya penyakit. Untuk memisahkan daerah yang terkontaminasi dari latar belakang dan memungkinkan identifikasi yang lebih tepat dan efektif, segmentasi K-Means digunakan sebagai langkah prapemrosesan. Kumpulan data yang digunakan dalam percobaan ini berisi berbagai macam foto dari berbagai kategori penyakit pada tanaman padi. Menurut data percobaan, pendekatan ini dapat mengidentifikasi jenis penyakit pada daun dengan sangat akurat-akurasi dapat melampaui 90%. Dengan berkonsentrasi pada daerah-daerah kunci pada gambar, K-Means meningkatkan kinerja deteksi. Jika dibandingkan dengan metode konvensional, hasil ini menunjukkan bagaimana strategi kombinasi ini dapat meningkatkan akurasi diagnosis penyakit daun padi. Penggunaan sistem ini diharapkan dapat membantu para ahli agronomi dan petani untuk memantau kesehatan tanaman secara efisien, sehingga dapat meningkatkan hasil pertanian
Co-Authors Aditya Pratama Werdana Ai Linda Nurahmah Fadilah Arifubila Ramdhani Sigand Aulia Nufaila Fahmayani Azhyka Rizki Ramadhan Cindy Setyowati Daffa Eka Sujianto Erik Ahmad Ramdhani Fajri Fauzan Azhari Marlina Muhamad Jihansyah Muhammad Dikaisa Ibnu Amin Muhammad Randika Saputra Novant Nanda Pradana Tsania Manzilatul Husna Yogi Nandya