Article Per Year (5 Year)
p-Index From 2021 - 2026
0.562
P-Index
This Author published in this journals
All Journal Jurnal Sistem Cerdas Journal of Artificial Intelligence and Digital Business SmartComp
Galih Hendro Martono
Universitas Bumigora
Automotive Engineering Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Deep Learning-Based Classification of Fetal Head Abnormalities from Ultrasound Images Using EfficientNet-B3 Galih Hendro Martono; Neny Sulistianingsih
Jurnal Sistem Cerdas Vol. 9 No. 1 (2026)
Publisher : APIC

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37396/jsc.v9i1.580

Abstract

Fetal brain abnormalities represent a critical concern in prenatal diagnostics due to their significant impact on neonatal survival and neurological development. Conventional ultrasound (USG) screening relies heavily on expert interpretation, which can be time-consuming and prone to subjectivity. To overcome this constraint, this research develops an automated classification approach employing deep learning techniques to recognize fetal head abnormalities captured through ultrasound scans. The dataset, obtained from a publicly available Kaggle repository, comprises fourteen diagnostic categories, including Arnold Chiari Malformation, Arachnoid Cyst, Cerebellar Hypoplasia, Holoprosencephaly, and Ventriculomegaly variations, among others. Each ultrasound image was subjected to a series of preprocessing operations, such as resizing to 224×224 pixels, applying normalization, and performing data augmentation, to enrich feature variability and strengthen the model’s generalization capability. A pretrained EfficientNet-B3 architecture was fine-tuned for multi-class classification, with the fully connected layer adapted to predict fourteen distinct abnormality classes. Model training was conducted for ten epochs using the Adam optimizer and cross-entropy loss function, with performance evaluated via training loss and validation accuracy metrics. The results demonstrate rapid convergence, with training loss decreasing from 1.7055 in the first epoch to 0.0387 in the final epoch. Concurrently, validation accuracy improved from 79.60% to a peak of 91.37%, indicating strong generalization capability. The consistent upward trend in accuracy and the downward trend in loss confirm the model’s stability and effective learning behavior. Overall, the proposed EfficientNet-B3–based approach achieves high accuracy and robustness, highlighting its potential as an assistive tool for automated prenatal diagnosis of fetal brain abnormalities
Perbandingan Model Pohon Keputusan dan Random Forest dalam Mendeteksi Sentimen Isu Pajak Pertambahan Nilai Janji Armanda Fabian; Galih Hendro Martono; Ismarmiaty Ismarmiaty
Smart Comp :Jurnalnya Orang Pintar Komputer Vol 15, No 3 (2026): Smart Comp: Jurnalnya Orang Pintar Komputer
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/smartcomp.v15i3.9776

Abstract

Kenaikan PPN menjadi 12% memunculkan berbagai tanggapan dari masyarakat yang diekspresikan secara luas melalui media sosial, termasuk platform media sosial paling terkenal yaitu Youtube. Fenomena ini menunjukkan bahwa opini publik di dunia maya dapat menjadi bahan kajian penting dalam memahami respon masyarakat terhadap kebijakan fiskal pemerintah. Penelitian ini bertujuan untuk mengklasifikasikan emosi masyarakat terhadap isu kenaikan PPN 12% dengan memanfaatkan komentar YouTube sebagai sumber data. Tahapan penelitian ini dimulai dari pengumpulan data dengan metode web scraping, diikuti tahap pra-pemrosesan data, penerjemahan teks ke dalam bahasa Inggris, serta pelabelan emosi menggunakan NRC Lexicon. Selanjutnya, fitur teks diekstraksi menggunakann TF-IDF untuk kemudian dianalisis dengan Random Forest dan Decision Tree. Didapatkan hasil yang menunjukkan bahwa emosi dominan yang muncul pada komentar masyarakat adalah netral, positif, dan negatif. Model Decision Tree menghasilkan akurasi 57,35% dan macro F1-Score 0,53, sementara Random Forest memperoleh akurasi lebih tinggi sebesar 65,43% dengan macro F1-Score 0,57. Berdasarkan hasil, dapat dilihat Random Forest menunjukkan performa yang lebih tinggi daripada Decision Tree untuk klasifikasi teks.
Komparasi Algoritma Random Forest dan XGBoost dalam Klasifikasi Risiko Perizinan Usaha pada UMKM Rinda Fitriana Azmi; Galih Hendro Martono; Neny Suliastianingsih
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 5 No. 2 (2026): Mei-Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v5i2.12016

Abstract

Tingkat risiko perizinan usaha merupakan aspek penting dalam menentukan legalitas dan kewajiban perizinan yang harus dipenuhi oleh pelaku UMKM. Penelitian ini bertujuan membandingkan kinerja algoritma Random Forest dan XGBoost dalam mengklasifikasikan tingkat risiko perizinan usaha UMKM. Dataset yang digunakan berjumlah 4.081 data dengan variabel investasi, omset, jumlah tenaga kerja, skala usaha, luas tanah, dan risiko usaha sebagai label klasifikasi. Tahapan penelitian meliputi pengumpulan data, eksplorasi data, preprocessing, pembagian data, pemodelan menggunakan Random Forest dan XGBoost , evaluasi model, serta pengujian teknik resampling untuk menangani ketidakseimbangan kelas. Pengujian dilakukan pada model dengan parameter default dan model yang telah dioptimasi melalui hyperparameter tuning. Hasil evaluasi menunjukkan bahwa Random Forest dengan hyperparameter tuning memperoleh performa terbaik dengan accuracy sebesar 94%, precision macro sebesar 87%, recall macro sebesar 78%, dan F1-score macro sebesar 82%. Sementara itu, XGBoost dengan hyperparameter tuning memperoleh accuracy sebesar 91%, precision macro sebesar 81%, recall macro sebesar 79%, dan F1-score macro sebesar 79%. Hasil tersebut menunjukkan bahwa Random Forest dengan hyperparameter tuning tanpa resampling menjadi model paling stabil dalam mengklasifikasikan tingkat risiko perizinan usaha UMKM. Penelitian ini diharapkan dapat mendukung proses identifikasi risiko usaha secara lebih sistematis, objektif, dan berbasis data.
Co-Authors Ismarmiaty Janji Armanda Fabian Neny Suliastianingsih Neny Sulistianingsih Rinda Fitriana Azmi