Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Journal of Computer Science and Information Technology ARUS JURNAL SAINS DAN TEKNOLOGI
Chyquitha Danuputri
Universitas Muhammadiyah Makassar
Humanities Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Environmental Science Social Sciences Other

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Identifikasi Penyakit Tuberkulosis pada Citra X-Ray Paru Menggunakan Swin Transformer dengan Pendekatan Out-of-Distribution Detection Andi Citra Ayu Lestari; Desi Anggreani; Muhammad Faisal; Chyquitha Danuputri
Arus Jurnal Sains dan Teknologi Vol 4 No 1: April (2026)
Publisher : Arden Jaya Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57250/ajst.v4i1.2731

Abstract

Penelitian ini bertujuan mengimplementasikan arsitektur Swin Transformer untuk mengidentifikasi penyakit tuberkulosis pada citra X-Ray paru serta mengevaluasi kemampuan pendekatan Out-of-Distribution Detection dalam mengenali citra yang tidak sesuai dengan distribusi data pelatihan. Data penelitian terdiri atas 1.272 citra yang terbagi seimbang ke dalam tiga kelas, yaitu Tuberkulosis, Non-Tuberkulosis, dan Tidak Dikenali/Out-of-Distribution Detection. Tahapan penelitian meliputi seleksi kualitas citra, resize ke ukuran 384 x 384 piksel, augmentasi data latih, pelatihan model Swin Transformer, serta evaluasi menggunakan accuracy, macro F1-score, confusion matrix, dan AUC. Hasil penelitian menunjukkan bahwa model Swin Transformer tunggal memperoleh accuracy 83,59% dan macro F1-score 83,59% pada klasifikasi Tuberkulosis dan Non-Tuberkulosis. Model Hybrid Swin Transformer + Out-of-Distribution Detection menghasilkan kinerja lebih baik dengan accuracy 89,06%, macro F1-score 89,10%, dan Out-of-Distribution Detection Rate 98,44%. Temuan ini menunjukkan bahwa integrasi Out-of-Distribution Detection mampu meningkatkan keandalan sistem karena model tidak memaksakan prediksi terhadap citra yang tidak relevan. Sistem yang dikembangkan dapat digunakan sebagai alat bantu skrining awal, dengan keputusan akhir tetap berada pada tenaga medis.
KLASIFIKASI RISIKO PENYAKIT JANTUNG BERBASIS DATA REKAM MEDIS MENGGUNAKAN CATBOOST Hanna Maryam; Fahrim Irhamna Rachman; Chyquitha Danuputri
Journal of Computer Science and Information Technology Vol. 3 No. 3 (2026): Juni
Publisher : Yayasan Nuraini Ibrahim Mandiri

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

Abstract

Penyakit jantung memerlukan deteksi dini agar pasien berisiko dapat diidentifikasi lebih cepat berdasarkan data klinis yang tersedia. Penelitian ini bertujuan menerapkan algoritma CatBoost untuk klasifikasi risiko penyakit jantung menggunakan data rekam medis pasien RSUD Haji Makassar. Dataset terdiri atas 640 data pasien periode 2021–2025 dengan fitur jenis kelamin, usia, glukosa, ureum, kreatinin, SGOT, SGPT, tekanan darah sistolik, dan tekanan darah diastolik. Target klasifikasi dibentuk berdasarkan diagnosis ICD-10 menjadi dua kelas, yaitu tidak berisiko dan berisiko penyakit jantung. Tahapan penelitian meliputi pembersihan data, imputasi nilai hilang menggunakan median, pembagian data latih dan data uji, pelatihan model CatBoost, serta evaluasi menggunakan accuracy, precision, recall, F1-score, confusion matrix, AUC-ROC, dan 5-fold cross-validation. Hasil pengujian menunjukkan accuracy 96,09%, weighted F1-score 94,18%, macro F1-score 49,00%, dan AUC-ROC 0,8943. Meskipun metrik agregat terlihat tinggi, confusion matrix menunjukkan model memprediksi seluruh data uji sebagai kelas berisiko dan gagal mengenali kelas tidak berisiko. Oleh karena itu, model belum layak diarahkan pada aplikasi klinis sebelum dilakukan perbaikan melalui pembobotan kelas, penyesuaian ambang keputusan, evaluasi imputasi yang lebih adaptif, dan validasi eksternal.
Co-Authors Andi Citra Ayu Lestari Desi Anggreani Fachrim Irhamna Rachman Hanna Maryam Muhammad Faisal