Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal JATI (Jurnal Mahasiswa Teknik Informatika)
Meiriyama Meiriyama
Teknik Informatika, Universitas Multi Data Palembang
Computer Science & IT

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

Found 2 Documents
Search

 1 
DETEKSI MALARIA DARI CITRA SEL DARAH MENGGUNAKAN CNN DENGAN METODE EFFICIENTNETB0 DIBANDINGKAN DENGAN RESNET50 M. Kurniawan; Meiriyama Meiriyama
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 1 (2026): JATI Vol. 10 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i1.16851

Abstract

Malaria merupakan penyakit infeksi yang disebabkan oleh parasit Plasmodium dan masih menjadi permasalahan kesehatan utama di berbagai wilayah tropis, termasuk Indonesia. Proses diagnosis malaria secara konvensional melalui pemeriksaan mikroskopis membutuhkan waktu yang relatif lama serta sangat bergantung pada keahlian tenaga medis, sehingga berpotensi menimbulkan ketidakkonsistenan hasil. Oleh karena itu, diperlukan pendekatan berbasis kecerdasan buatan untuk meningkatkan ketepatan dan efisiensi diagnosis. Penelitian ini bertujuan mengembangkan sistem klasifikasi infeksi malaria dari citra sel darah menggunakan metode Convolutional Neural Network (CNN) dengan pendekatan transfer learning. Dua arsitektur CNN pralatih, yaitu EfficientNetB0 dan ResNet50, digunakan untuk dibandingkan kinerjanya dalam mendeteksi sel darah yang terinfeksi. Dataset yang digunakan berasal dari Malaria Cell Images Dataset pada platform Kaggle yang terdiri atas 27.558 citra sel darah dengan dua kelas, yaitu Parasitized dan Uninfected. Tahapan pra-pemrosesan meliputi penyesuaian ukuran citra, normalisasi, serta augmentasi data berupa rotasi, pembalikan citra, zoom, shear, dan penyesuaian kecerahan. Model dilatih menggunakan algoritma optimasi Adam dengan learning rate scheduler dan early stopping. Evaluasi kinerja dilakukan menggunakan metrik akurasi, presisi, recall, F1-score, dan ROC-AUC. Penelitian ini diharapkan mampu menghasilkan sistem klasifikasi malaria berbasis CNN yang akurat dan efisien untuk mendukung diagnosis otomatis
SEGMENTASI ULKUS KORNEA PADA CITRA OFTALMOLOGI MENGGUNAKAN GHOST U-NET Michael Wijaya; Meiriyama Meiriyama
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 1 (2026): JATI Vol. 10 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i1.16892

Abstract

Ulkus kornea merupakan luka pada permukaan kornea yang dapat menyebabkan gangguan penglihatan permanen apabila tidak ditangani secara tepat. Identifikasi area ulkus pada citra slit-lamp fluorescein secara manual memerlukan waktu dan sangat bergantung pada pengalaman klinis, sehingga diperlukan pendekatan otomatis yang akurat dan efisien. Penelitian ini membandingkan kinerja arsitektur U-Net dan Ghost U-Net dalam melakukan segmentasi ulkus kornea pada citra oftalmologi. Dataset yang digunakan adalah SUSTech-SYSU Corneal Ulcer Dataset yang terdiri dari 354 citra dengan ground truth segmentasi, dan evaluasi dilakukan dengan menggunakan skema 4-fold cross-validation. Kedua model dilatih dengan konfigurasi yang identik untuk memastikan perbandingan yang adil. Evaluasi performa dilakukan secara kuantitatif menggunakan metrik Dice Similarity Coefficient (DSC) dan Intersection over Union (IoU), serta analisis efisiensi berdasarkan jumlah parameter jaringan dan waktu inferensi per citra. Hasil eksperimen menunjukkan bahwa U-Net menghasilkan performa segmentasi yang sedikit lebih tinggi, sedangkan Ghost U-Net mampu mempertahankan performa yang kompetitif dengan pengurangan jumlah parameter yang signifikan. Temuan ini menunjukkan bahwa Ghost U-Net berpotensi menjadi alternatif arsitektur segmentasi yang lebih ringan dan efisien untuk aplikasi segmentasi ulkus kornea berbasis deep learning
Co-Authors M. Kurniawan Michael Wijaya