Article Per Year (5 Year)
p-Index From 2021 - 2026
1.152
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering Jurnal Teknologi Informasi dan Ilmu Komputer Proceeding of the Electrical Engineering Computer Science and Informatics Jurnal Informatika
Agung Wahyu Setiawan
Institut Teknologi Bandung
Computer Science & IT Electrical & Electronics Engineering Engineering

Published : 12 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 12 Documents
Search

 1   2 
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

Abstract

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

Abstract

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 %.
Co-Authors Adzkia, Muhammad Alfie Rizky Ananda Ananda, Alfie R. Arland, Firzal Ayu Paranitha H. Putri Dimitri Mahayana Donny Danudirdjo Ira Puspasari Mochamad Irwan Nari Mochamad Irwan Nari Mubarok, Abdullah Faqih A. Nilam Fitriah Nurtsani, Afin Muhammad Richard Mengko Rizalputri, Lavita Nur'aviana RUKMAN HERTADI Savera, Teresia R. Suryawan, Winsya H. Susanty, Meredita Syababa, Akhmad Dyma H. Syamlan, Muhammad Adib Tati Latifah Erawati Rajab Thias, Ahmad Habbie Widyawardana Adiprawita Widyawardana Adiprawita, Widyawardana Zakaria, Hasballah