Garuda - Garba Rujukan Digital

Perbandingan Kinerja Arsitektur Convolutional Neural Network Pada Deteksi Malaria Menggunakan Citra Sel Darah Setiawan, Agung Wahyu
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 3: Juni 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025128085

Malaria masih menjadi salah satu penyebab kematian tertinggi di dunia, terutama di daerah yang berstatus endemi. Standar emas penegakan diagnosis malaria adalah berbasis citra apusan atau sel darah yang diperoleh dengan menggunakan mikroskop. Kendala utama dalam penegakan diagnosis ini adalah kurangnya tenaga ahli untuk melakukan asesmen citra sel darah. Oleh karena itu, dilakukan diagnosis malaria berbasis citra sel darah menggunakan Artificial Intelligent (AI) / kecerdasan buatan. Deteksi malaria berbasis AI yang dilakukan pada studi-studi sebelumnya telah menghasilkan kinerja yang sudah baik. Namun, kinerja deteksi ini masih dapat ditingkatkan. Studi ini menggunakan 27.558 citra sel darah yang terdiri dari 13.779 sel darah terinfeksi dan 13.779 tidak terinfeksi. Citra-citra sel darah ini dibagi menjadi tiga kelompok, yaitu pelatihan (80%); validasi (10%); dan pengujian (10%). Pada studi ini, digunakan ResNet50; ResNet101; ResNet152; ResNet50V2; ResNet101V2; ResNet152V2; DenseNet121; DenseNet169; DenseNet201; InceptionV3; InceptionResNetV2; VGG16; VGG19; dan MobileNetV2. Tujuan utama dari studi ini adalah mencari arsitektur CNN yang memiliki kinerja terbaik dalam deteksi malaria berbasis citra sel darah. Perbandingan kinerja diases dengan menggunakan nilai akurasi, sensitivitas, spesifisitas, skor F1, dan Area Under the Curve (AUC). Arsitektur MobileNetV2 memberikan kinerja paling baik dengan nilai rata-rata pelatihan, validasi, dan pengujian tertinggi. Nilai rata-rata akurasi mencapai 97,68%; spesifisitas 98,61%; sensitivitas 96,75%; Skor F1 97,70%; dan AUC sebesar 99,65%. Selain itu, waktu pembuatan model arsitektur MobileNetV2 hanya sekitar 2,5 jam. Selain itu, jumlah lapisan convolutional tidak memengaruhi kinerja deteksi malaria. Dengan lapisan convolutional berjumlah 53, MobileNetV2 berkinerja lebih baik dibandingkan dengan arsitektur-arsitektur lain dengan jumlah lapisan convolutional lebih banyak. Abstract Malaria is still one of the highest causes of death in the world, especially in the endemic areas. The gold standard for diagnosing malaria is based on smears blood smears or cells image which is obtained using a microscope. The main challenge in detecting malaria is the lack of experts to assess the blood smears. Therefore, the detection is carried out using Artificial Intelligence (AI). Previous studies that used AI to detect malaria have a good performance. However, the detection performance can still be improved. Furthermore, previous studies only used one or two or three performance metrics. This study used 27,558 blood cell images consisting of 13,779 infected and 13,779 uninfected blood cells. These blood cell images are divided into three groups, i.e. training (80%); validation (10%); and testing (10%). In this study, several CNN architectures are used, such as ResNet50; ResNet101; ResNet152; ResNet50V2; ResNet101V2; ResNet152V; DenseNet121; DenseNet169; DenseNet201; InceptionV3; InceptionResNetV2; VGG16: VGG19: and MobileNetV2. The main objective of this study is to find the CNN architecture that has the best performance in blood cell image-based malaria detection. Comparison of performance of CNN architectures are assessed using accuracy, sensitivity, specificity, F1 score, and Area Under the Curve (AUC) values. The MobileNetV2 architecture provides the best performance with the highest average values of training, validation, and testing. The average accuracy value of 97.68%; specificity of 98.61%; sensitivity of 96,75%; F1 Score of 97.70%; and AUC of 0.9965. In addition, the time to build the MobileNetV2 model is about 2.5 hours, the fastest one. This study shows that the number of convolutional layers does not affect malaria detection performance. With 53 convolutional layers, MobileNetV2 has the best performance.

Classification of Diabetic Retinopathy Using ResNet50 Sagala, La Ode Ansyarullah S.; Setiawan, Agung Wahyu
JAREE (Journal on Advanced Research in Electrical Engineering) Vol 9, No 2 (2025): July
Publisher : Department of Electrical Engineering ITS and FORTEI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/jaree.v9i2.436

Deep learning has been proposed as an automated solution for classifying the severity levels of Diabetic Retinopathy (DR). In this study, we utilized ResNet50 architecture to classify DR using the APTOS2019 dataset. As an initial step, we initialized the model with pre-trained weights from ResNet50 on ImageNet and implemented augmentation and resampling during training. We adopted an ensemble approach combined with classifiers such as SVM, Random Forest, and Logistic Regression, resulting in a ResNet50-Ensemble (SVM+RF+LR), with outputs obtained using a Soft Voting Classifier. The model achieved an accuracy of 85%, with a precision of 0.72, recall of 0.71, and F1-score of 0.71. The AUC values for the normal, mild, moderate, severe, and proliferative classes were 1.00, 0.96, 0.95, 0.95, and 0.91, respectively, with a Macro-average AUC of 0.96. These findings indicate that the appropriate use of ensemble methods can significantly enhance DR classification performance with suitable optimization strategies.

Pengembangan Alat Bantu Komunikasi bagi Penyandang Disabilitas Buta-Tuli Menggunakan IMAP Setiawan, Agung Wahyu; Mubarok, Abdullah Faqih A.; Syababa, Akhmad Dyma H.
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 6 No 1: Februari 2019
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Melalui UU Nomor 8 Tahun 2016, negara menjamin hak penyandang disabilitas, dimana salah satunya adalah hak berkomunikasi. Pada kasus disabilitas netra dan wicara, penyandang memiliki keterbatasan untuk berkomunikasi dengan normal. Salah satu arah penelitian yang sedang berkembang dalam bidang teknologi bantu adalah alat terhubung dengan internet. Oleh karena itu, pada penelitian ini dikembangkan sebuah alat bantu komunikasi dengan memanfaatkan simbol Braille yang terhubung internet menggunakan IMAP. Alat ini diharapkan dapat membantu komunikasi antara penyandang buta-tuli dengan kerabat/sahabat. Pada penelitian ini, dikembangkan sebuah Braille keyboard, berupa push button yang disusun sesuai dengan Braille cell. Braille keyboard ini digunakan sebagai devais masukan bagi penyandang buta-tuli. Di sisi kerabat/sahabat, digunakan QWERTY keyboard untuk mengetik kata atau kalimat yang ingin disampaikan ke penyandang buta-tuli. Kedua keyboard tersebut terhubung ke sebuah mikrokomputer, Raspberry Pi 3. Ini merupakan skema offline, dimana penyandang dan kerabat/sahabat berada dalam satu tempat. Skema yang kedua adalah online, pada skema ini penyandang buta-tuli dan kerabat/sahabat dapat saling mengirimkan informasi berupa teks melalui koneksi internet berbasis IMAP (e-mail). Pada penelitian ini juga dikembangkan sebuah Braille display yang terdiri dari enam buah motor vibrasi yang dipasang pada tubuh penyandang. Pola getaran motor dari Braille display ini sesuai dengan susunan Braille cell. Sedangkan untuk kerabat/sahabat, dapat melihat informasi/kata di sebuah LCD atau e-mail. Tahapan pengembangan selanjutnya adalah prototipe dibuat menjadi bentuk dan ukuran yang lebih ringkas, modul Braille keyboard disesuaikan dengan jarak standar dan dilengkapi dengan modul text-to-speech.AbstractLaw Number 8, 2016 on Persons with Disabilities, The Government of Indonesia has guaranteed the rights of peoples with disablities to communicate. People with deaf-blindness has limitation to communicate normally. The trend in development of assistive technology device is to connect it to internet. Therefore, purpose of this research is to develop an assistive technology device which utilized Braille Alphabet and connected to the internet using IMAP. It is expected that the device could link the communication between people with deafblind and their relatives. In this research, a Braille keyboard is developed and used as input device for people with deafblind. For the relatives, they use a standard QWERTY keyboard to type the word(s) that will be conveyed to the people with deafblind. Those two keyboards are connected to a microcomputer, Raspberry Pi 3. This is the first communication scheme, the offline scheme, people with deafblind and relatives is in the same place. The second one is online scheme, people with deafblind and relatives could send text message through internet connection using IMAP. In this research, a Braille display is developed to convert the Latin alphabet to Braille alphabet through six vibration motors that are arranged according to Braille cell. For relatives, they could show the word(s) that is sent by the people with deafblind through LCD or their e-mail. Further development for the research is to develop more compact device and equipped with text-to-speech module. The last proposed development is to develop and implement the Braille keyboard that has standardized button.

Pengembangan Alat Bantu Komunikasi Penderita Pascastroke Menggunakan Flex Sensor dan Accelerometer Setiawan, Agung Wahyu; Rizalputri, Lavita Nur'aviana; Thias, Ahmad Habbie
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 6 No 2: April 2019
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Pada tahun 2013, prevelansi penderita stroke di Indonesia sebesar 12,1 % serta merupakan penyebab kematian kedua dan penyebab disabilitas ketiga di dunia. Di Indonesia, angka kontribusi proporsional disability-adjusted life-years (DALYs) dari stroke sekitar 9,7 % dan merupakan penyebab disabilitas nomor satu. Penderita yang mengalami disabilitas akan kesulitan melakukan aktivitas sehari-hari, terutama berkomunikasi. Oleh karena itu perlu dikembangkan alat bantu komunikasi yang dapat membantu penderita pascastroke berkomunikasi sehari-hari dengan memanfaatkan gerakan telapak tangan. Pada penelitian ini digunakan empat buah flex sensor yang diletakkan pada jari telunjuk, tengah, manis, dan kelingking serta satu sensor 3-axis gyroscope MPU6050. Alat bantu komunikasi untuk penderita pascastroke ini telah berfungsi untuk mendeteksi tujuh gerakan dasar, yaitu: “Ya”, “Tidak”, “Saya mau pergi kesana”, “Jam berapa sekarang?”, “Saya mau makan”, “Saya mau minum”, dan “Halo!”. Ketujuh kata atau kalimat tersebut juga ditampilkan di sebuah display. Pendeteksian ketujuh gerakan ini diperoleh dari tekukan empat jari yang dideteksi menggunakan flex sensor dan posisi tangan di arah 3 sumbu (x, y, dan z) menggunakan gyroscope yang diletakkan pada sebuah sarung tangan. Alat ini diharapkan dapat menjadi awal dalam pengembangan alat bantu komunikasi untuk penderita. AbstractIn 2013, prevalence of stroke in Indonesia is 12.1% and the second leading cause of deaths and the third most common cause of disability in the world. In Indonesia, disability-adjusted life-years (DALYs) proportional contribution of stroke is around 9.7% and the first leading cause of disability. Patients with disabilities will have difficulty for performing daily life activities, especially communicating with other people. Therefore, it is necessary to develop communication assistive device that can help post-stroke patients to communicate using their palm. Four flex sensors mounted on the index, middle, ring, and pinky fingers; and one 3-axis gyroscope MPU6050 sensor. This communication asisstive device has fully function to detect seven basic movement for daily life communication, that is: "Yes", "No", "I want to go there", "What time is it?", "I want to eat", "I want to drink" and "Hello!". The seven words / sentences also appear on the viewer screen. The detection of these seven motions is obtained from the four flex sensors and the position of the hand in the 3-axes (x, y, and z) direction from gyroscope that is placed on a glove. This research is a preliminary research in the area of assistive device technology for post-stroke patients.

Deteksi Dini Kanker Kulit menggunakan K-NN dan Convolutional Neural Network Savera, Teresia R.; Suryawan, Winsya H.; Setiawan, Agung Wahyu
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 2: April 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020702602

Kanker kulit adalah salah satu jenis kanker yang dapat menyebabkan kematian sehingga diperlukan sebuah aplikasi perangkat lunak yang dapat digunakan untuk membantu melakukan deteksi dini kanker kulit dengan mudah. Sehingga diharapkan deteksi dini kanker kulit dapat terdeteksi lebih cepat. Pada penelitian ini terdapat dua metode yang digunakan untuk melakukan deteksi dini kanker kulit yaitu deteksi dengan klasifikasi secara regresi dan artificial neural network dengan arsitektur convolutional neural network. Akurasi yang diperoleh dengan menggunakan klasifikasi secara regresi adalah sebesar 75%. Sementara, akurasi deteksi yang didapatkan dengan menggunakan convolutional neural network adalah sebesar 76%. Hasil yang diperoleh dari kedua metoda ini masih dapat ditingkatkan pada penelitian lanjutan, yaitu dengan cara melakukan prapengolahan pada set data citra yang digunakan. Sehingga set data yang digunakan memiliki tingkat pencahayaan, sudut (pengambilan), serta ukuran citra yang sama. Apabila tersedia sumber daya komputasi yang besar, akan dilakukan penambahan jumlah citra yang digunakan, baik itu sebagai set data latih maupun uji. AbstractSkin cancer is one type of cancer that can cause death for many people. Because of this, an application is needed to easily detect skin cancer early that the cancer can be handled with more quickly. In this study there were two methods used to detect skin cancer, namely detection by regression classification and detection by classifying using artificial neural networks with network convolutional architecture. Detection with regression classification gives an accuracy of 75%. While detection using convolutional neural networks gives an accuracy of 76%. These proposed early detection systems can be improved to increase the accuracy. For further development, several image processing techniques will be applied, such as contrast enhancement and color equalization. For future works, if there is more computational resource, more images can be used as dataset and implement the deep learning algorithm to improve the accuracy.

Pengembangan Sistem Penilaian Kematangan Tandan Buah Segar Kelapa Sawit menggunakan Citra 680 dan 750 NM Setiawan, Agung Wahyu; Ananda, Alfie R.
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 2: April 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020722603

Salah satu permasalahan utama dalam industri kelapa sawit adalah proses sortasi Tandan Buah Segar (TBS) di pabrik kelapa sawit. Parameter yang digunakan dalam sortasi TBS adalah jumlah brondolan kelapa sawit. Pada saat ini, sortasi dilakukan oleh grader yang bersifat subyektif dan sering kali tidak konsisten. Hal ini terjadi karena keterbatasan penglihatan dan kemampuan manusia untuk mengolah informasi jumlah brondolan setiap TBS dalam waktu yang terbatas. Oleh karena itu, pada penelitian ini dikembangkan sistem penilaian kematangan TBS kelapa sawit berbasis spektroskopi dan nilai kontras citras. Sumber cahaya yang digunakan pada penelitian ini adalah lampu berjenis Light-emitting Diode (LED) dengan panjang gelombang 680 dan 750 nm. Akuisisi citra TBS dilakukan dengan menggunakan kamera DSLR yang telah dimodifikasi. sehingga diperoleh dua citra TBS pada panjang gelombang 680 dan 750 nm. Kemudian, dilakukan perhitungan nilai kontras kedua citra tersebut. Dalam penelitian ini, terdapat 24 TBS yang digunakan sebagai data latih, dengan komposisi 10 TBS matang dan 14 TBS mentah. Data uji yang digunakan berjumlah 77 TBS yang terdiri dari 38 matang dan 39 mentah. Pada penelitian ini, Support Vector Machine (SVM) digunakan sebagai metode klasifikasi. Akurasi data latih yang diperoleh adalah 66,67%. Sedangkan akurasi data uji dari sistem yang dikembangkan dalam penelitian ini adalah 57,14%. Hasil yang diperoleh ini masih perlu diperbaiki untuk meningkatkan akurasi sistem dengan cara menambah jumlah data, baik data latih maupun uji, serta menggunakan pembelajaran mesin. AbstractOne of the main problems in the palm oil industry is the grading of Fresh Fruit Bunches (FFB) in the palm oil mills. The parameter used for the process is the number of fruitlets detached from the bunch. Nowadays, the FFB grading is conducted by graders which is subjective and often inconsistent due to the limitation of human vision and ability to process information on the number of fruitlets detached per FFB in a very limited time. Therefore, this study developed a grading system to assess and estimate the FFB maturity based on spectroscopy and image contrast value. From the literature review, visible light and NIR spectrum in 680 and 780 nm can be used as light sources to detect the maturity level of FFB. DSLR camera is used to acquire the FFB image. Using this scheme, two FFB images in 680 and 750 nm are obtained. The next process is to calculate the image contrast. In this research, there are 24 FFB that are used as training data that consists of 10 ripe and 14 unripe. A total of 77 FFB are used as test data that consists of 38 ripe and 39 unripe. Support Vector Machine (SVM) is used in this research to classify the maturity level of FFB. The accuracy of the training dataset is 66.67%. Meanwhile, the accuracy of the test data is 57.14%. Future works will focus on enhancing accuracy of the system through increasing the number of training and testing data using machine learning.

Perbandingan Preskrining Lesi Kulit berbasis Convolutional Neural Network: Citra Asli dan Tersegmentasi Setiawan, Agung Wahyu
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 4: Agustus 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2021844411

Seiring dengan bertambahnya prevalensi lesi kulit, maka diperlukan adanya preskrining lesi kulit mandiri yang mudah dan akurat. Pada studi ini, dilakukan perbandingan kinerja preskrining lesi kulit berbasis Convolutional Neural Network antara citra asli dan citra tersegmentasi Grabcut sebagai masukan. Ada dua parameter kinerja yang digunakan sebagai evaluasi, yaitu akurasi serta waktu pembuatan model. Tidak ada perbedaan kinerja akurasi pelatihan dan validasi pembelajaran mesin menggunakan citra asli dengan citra tersegmentasi. Meskipun terdapat proses tambahan berupa penghilangan latar belakang citra menggunakan algortima Grubcut, akurasi pelatihan maupun validasi preskrining lesi kulit tidak mengalami peningkatan yang signifikan. Pada parameter kinerja yang kedua, waktu pembuatan model dipengaruhi oleh jumlah data latih dan validasi. Semakin kecil jumlah data latih yang digunakan, maka waktu pembuatan model akan semakin cepat, dan sebaliknya. Disamping itu, proporsi antara jumlah data latih dengan validasi juga berpengaruh ke akurasi validasi. Pada studi ini, dengan menggunakan jumlah data latih yang lebih kecil dibandingkan data validasi, akurasi validasi mengalami peningkatan dari 0,82% menjadi 0,90%. Studi ini telah memberikan bukti bahwa pada preskrining lesi kulit menggunakan pembelajaran mesin berbasis CNN tidak diperlukan mekanisme adanya penghilangan latar belakang citra. Selain itu, pembuatan model pembelajaran mesin berbasis CNN dapat dilakukan dengan menggunakan data latih sekitar 22,41% dari data total. Diharapkan, hasil studi ini dapat dimanfaatkan untuk pengembangan aplikasi preskrining lesi kulit menggunakan pembelajaran mesin berbasis CNN pada komputer atau gawai dengan sumber daya komputasi yang rendah. Abstract It is necessary to develop a self-prescreening of skin lesion due to the prevalence is increasing every year. This study tries to compare and evaluate the performance of prescreening of a skin lesion in the original and segmented images using Convolutional Neural Network. The Grabcut algorithm is used in the image segmentation process. Two parameters are used to evaluate the performance of the classification, i.e. accuracy and time to build the model. The results show that there is no significant difference in training and validation accuracy between original and segmented images. Even though there is an additional process in removing image background using Grabcut, the accuracy of training and validation do not increase significantly. In the second performance indicator, the time to build the model is influenced by the numbers of training and validation data that are used. The smaller the amount of training data used, the faster the model creation time will be. In addition, the proportion between the amount of training data and validation also affects the accuracy of validation. In this study, using a smaller amount of training data than the validation data, the validation accuracy increased from 0.82 to 0.90. This study has provided evidence that prescreening of skin lesions using machine learning based on CNN does not require image background removal and only about 22.41% of the total data are needed to build the model. One of the contributions of this study is that the results of this study can be used for the development of a skin lesion prescreening application using CNN-based machine learning on computers or devices with low computational resources.

Deteksi Pneumonia Menggunakan Citra Sinar-X Paru berbasis Residual Network Adzkia, Muhammad; Arland, Firzal; Setiawan, Agung Wahyu
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 9 No 2: April 2022
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2022925626

Fokus dari studi ini adalah membandingkan kinerja Mask R-CNN dengan ResNet-50 & 101 sebagai backbone pada deteksi pneumonia menggunakan citra Sinar-X paru. Selain itu, juga dibandingkan pengaruh augmentasi data berupa rotasi dan refleksi serta pengaruh teknik perbaikan kualitas citra menggunakan CLAHE pada kinerja deteksi pneumonia. Set data yang digunakan pada studi ini berjumlah 26.684 citra Sinar-X paru yang diambil dari situs Kaggle RSNA Challenge. Terdapat empat parameter kinerja deteksi yang digunakan, yaitu akurasi; presisi; sensitivitas; dan spesifisitas. Meskipun ResNet-50 backbone yang memiliki 50 lapisan konvolusi, akan tetapi kinerja deteksi yang dihasilkan lebih baik dibandingkan dengan ResNet-101 yang memiliki 101 lapisan konvolusi. Selain itu, ResNet-50 backbone dengan augmentasi data berupa rotasi dan refleksi pada set data citra yang diperbaiki kualitasnya menggunakan CLAHE memberikan kinerja yang paling baik. Nilai akurasi yang diperoleh mencapai 76% dengan presisi 62%, spesifisitas 74% dan sensitifitas 67%. Pada studi ini, terlihat bahwa peningkatan jumlah lapisan konvolusi tidak berpengaruh terhadap peningkatan kinerja deteksi. Sebagai tambahan, kinerja deteksi pneumonia menggunakan Sinar-X paru berbasis ResNet-50 backbone dapat ditingkatkan dengan menambahkan prapemrosesan berupa augmentasi data serta perbaikan kualitas citra menggunakan CLAHE. AbstractThe focus of this study is to compare the performance of the Mask R-CNN using ResNet-50 & 101 backbone on pneumonia detection using a chest X-ray image. In addition, the effect of data augmentation in the form of rotation and reflection was also compared. Furthermore, the effect of the image enhancement technique using CLAHE on pneumonia detection is performed. In total, 26,684 chest X-ray images are used. These images were downloaded from the Kaggle RSNA Challenge website. There are four parameters are used to evaluate the detection performance, i.e., accuracy; precision; sensitivity; and specificity. Although ResNet-50 backbone has 50 convolutional layers, the detection performance is better than ResNet-101 which has 101 convolution layers. In addition, the ResNet-50 backbone with data augmentation and image enhancement using CLAHE provides the best performance. The accuracy of 76%, the precision of 62%, specificity of 74%, and sensitivity of 67% are obtained using this proposed method. In this study, the increase in the number of convolutional layers has no effect on the detection performance. In addition, the performance of pneumonia detection using ResNet-50 backbone using chest X-rays image can be improved using data augmentation and image quality enhancement using CLAHE.

Pengaruh Ciri Temporal, Spasial, dan Frekuensi pada Klasifikasi Motor Imagery Nurtsani, Afin Muhammad; Syamlan, Muhammad Adib; Setiawan, Agung Wahyu
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 9 No 3: Juni 2022
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2022935715

Interaksi mesin-komputer merupakan suatu keniscayaan dan akan menjadi bagian yang tidak terpisahkan dari kehidupan dalam waktu dekat, terutama di bidang rekayasa rehabilitasi. Salah satu bidang yang berkembang adalah klasifikasi Motor Imagery (MI) berbasis sinyal EEG. Set data pada studi ini diambil dari BCI Competition IV - 2b. Prapemrosesan data dilakukan dengan menggunakan BPF Butterworth orde 5 dengan frekuensi cut-off sebesar 8 – 30 Hz. Pada studi ini, dilakukan investigasi pengaruh ciri temporal; spasial; dan frekuensi serta kombinasi ciri temporal-spasial dan temporal-spasial-frekuensi. Ciri temporal diekstraksi dengan menggunakan ICA, ciri spasial dengan CSP, dan frekuensi dengan STFT. Terdapat empat pengklasifikasi yang digunakan, yaitu SVM; RF; k-NN; dan NB. Salah satu temuan pada studi ini adalah meskipun digunakan kombinasi ciri temporal-spasial maupun temporal-spasial-frekuensi, nilai akurasi yang diperoleh sama, yaitu sekitar 72%. Kinerja kedua kombinasi ciri ini masih kalah apabila dibandingkan dengan hanya menggunakan ciri independen temporal dengan nilai akurasi mencapai 73%. Selain itu, pengklasifikasi RF memberikan kinerja yang paling baik dibandingkan dengan SVM; k-NN; serta NB. Abstract Human-computer interaction is a necessity and will be deployed in the near future, especially in rehabilitation engineering. One of the development is focused on the classification of Imagery Motor (MI) based on EEG signals. In this study, the dataset is taken from BCI Competition IV - 2b. The first step of the classification process is data preprocessing that is performed using BPF Butterworth 5th order with a cut-off frequency of 8 - 30 Hz. The aim of this study is to investigate the effect of independent feature such as temporal, spatial, frequency, and the combination of temporal-spatial and temporal-spatial-frequency features. Temporal feature is extracted using ICA, spatial feature using CSP, and frequency feature using STFT. In this study, four classifiers are used, i.e., SVM; RF; k-NN; and NB. One of the main findings in this study is that although the combination of temporal-spatial and temporal-spatial-frequency features is used, the accuracy value of 72% are obtained. The performance of these two combinations of features is still inferior when compared to independent temporal feature with an accuracy value of 73%. In addition, RF classifier provides the best performance compared to SVM; k-NN; and NB. Keywords: motor imagery, temporal, spatial, frequency, random forest

Perbandingan Arsitektur Convolutional Neural Network Pada Klasifikasi Pneumonia, COVID-19, Lung Opacity, dan Normal Menggunakan Citra Sinar-X Thoraks Setiawan, Agung Wahyu
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 9 No 7: Spesial Issue Seminar Nasional Teknologi dan Rekayasa Informasi (SENTRIN) 2022
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2022976742

Covid-19 telah mewabah sejak awal Tahun 2020. Meskipun terjadi penurunan jumlah kasus penderita Covid-19, namun masih terdapat beberapa kasus baru karena terjadi mutasi virus. Selain Covid-19, prevalensi pneumonia juga masih tinggi. Oleh karena itu, perlu dilakukan klasifikasi Covid-19 dengan pneumonia meskipun pascapandemi. Salah satu cara yang digunakan untuk mendeteksi Covid-19 dan pneumonia adalah menggunakan citra sinar-X dada. Pada studi ini dilakukan tidak hanya Covid-19 dan pneumonia, tetapi juga lung opacity dan normal. Beberapa tahun terakhir, marak digunakan pendekatan klasifikasi berbasis kecerdasan buatan. Beberapa studi telah dilakukan dengan menggunakan pendekatan deep learning berbasis arsitektur CNN. Pada studi ini, klasifikasi keempat kelas di atas dilakukan dengan menggunakan data yang lebih banyak, yaitu 21.165 citra sinar-X dada. Selain itu, dilakukan perbandingan kinerja sembilan arsitektur CNN, yaitu Inception-ResNet, DenseNet201, InceptionV3, ResNet50v1, ResNet101, ResNet152, ResNet50v2, ResNet101v2, dan ResNet152v2. Sebagai tambahan, studi ini juga membandingkan kinerja dua pengoptimasi, yaitu Adam dan SGD untuk masing-masing arsitektur CNN. Kinerja tertinggi diperoleh dengan menggunakan arsitektur CNN berbasis ResNet50v1 dan pengoptimasi Adam dengan nilai rerata akurasi pelatihan, validasi, dan pengujian mencapai 92,22 ± 0,25 %. AbstractCovid-19 has been a global pandemic since the beginning of 2020. Although there has been a decrease in the number of cases of Covid-19, however, there are still some new cases due to virus mutation. Besides Covid-19, the prevalence of pneumonia is still high. Therefore, it is necessary to classify Covid-19 and pneumonia not only during a pandemic but also post-pandemic. One of the methods is using chest X-ray images. In this study, not only Covid-19 and pneumonia but also lung opacity and normal were carried out. In recent years, artificial intelligence-based classification approaches have been widely used. Several studies have been conducted using a deep learning approach based on Convolutional Neural Networks (CNN) architecture. This study aims to classify the four classes using 21,165 chest X-ray images. In addition, a comparison of the performance of nine CNN architectures was perfomed, i.e. Inception-ResNet, DenseNet201, InceptionV3, ResNet50v1, ResNet101, ResNet152, ResNet50v2, ResNet101v2 and ResNet152v2. In addition, this study also compares the performance of two optimizers, i.e. Adam and Stochastic Gradient Descent (SGD) for each CNN architecture. The highest performance was obtained using ResNet50v1 and Adam optimizer with the average value of training, validation, and testing accuracy of 92.22 ± 0.25 %.

Title

Found 10 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 10 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 10 Documents
Search