Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Journal of Animation & Games Studies DoubleClick : Journal of Computer and Information Technology
Andre Eka Ferdiansyah
Universitas Trunojoyo Madura
Arts Humanities Computer Science & IT Languange, Linguistic, Communication & Media

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

Found 2 Documents
Search

 1 
Modifikasi Model Densenet dengan Classifier Hybrid untuk Pendeteksian Leukimia pada Citra Mikroskopis Andre Eka Ferdiansyah
DoubleClick: Journal of Computer and Information Technology Vol. 10 No. 1 (2026): Edisi Agustus 2026
Publisher : Universitas PGRI Madiun

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25273/doubleclick.v10i1.23737

Abstract

Acute Lymphoblastic Leukemia (ALL) adalah jenis kanker darah yang sering terjadi pada anak-anak dengan puncak kejadian usia 1 hingga 4 tahun. Deteksi dini sangat penting untuk meningkatkan prognosis pasien, namun prosedur konvensional seperti pemeriksaan visual dan analisis laboratorium tradisional sering memakan waktu dan rentan kesalahan. Oleh karena itu, diperlukan sistem pendeteksian otomatis yang lebih efisien dengan teknologi terkini.Penelitian ini bertujuan mengembangkan model deteksi leukemia pada citra mikroskopis darah dengan memodifikasi arsitektur DenseNet dan menggabungkannya dengan teknik hybrid classifier. DenseNet, sebagai varian Convolutional Neural Network (CNN), memiliki kemampuan akurat dalam mengenali pola citra, namun menghadapi tantangan terkait variabilitas gambar dan kompleksitas citra mikroskopis. Model DenseNet-201 dimodifikasi dan digabungkan dengan machine learning untuk meningkatkan akurasi deteksi.3 Model Machine learning yang digunakan adalah SVM ,XGBOOST dan Random Forest dengan 3 skenario learning rate yang berbeda.Didapatkan Hasil bahwa DenseNet-201 murni mendapatkan akurasi tertinggi 93% dan model gabungan tertinggi yaitu DenseNet-201-XCGBOOST mendapatkan akurasi tertinggi dengan 97% akurasi.Hal ini membuktikan bahwa dengan adanya penggabungan Deep Learning dan Machine Learning dapat meningkatkan akurasi model dari base model awalnya.Tentu Masih perlu adanya penelitian lebih lanjut untuk mengekplor model lainnya untuk melihat peningkatan lebih lanjut.
Pengembangan Game FPS (First Person Shooter) Bertema Permainan Tradisional Pletokan Menggunakan Unity3D Ahmad Ar-Rosyid Hidayatullah; Andre Eka Ferdiansyah; bagus satria putra anugrah; Wahyudi Firmasyah
Journal of Animation and Games Studies Vol 12, No 2 (2026): Oktober 2026
Publisher : Institut Seni Indonesia Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24821/jags.v12i2.13994

Abstract

Permainan First Person Shooter (FPS) adalah salah satu genre game yang sangat populer di kalangan pemain game saat ini. Namun, mayoritas game FPS yang ada lebih banyak mengusung tema fiksi dan jarang menampilkan unsur-unsur budaya lokal. Penelitian ini bertujuan untuk mengembangkan sebuah game FPS dengan tema permainan tradisional Pletokan menggunakan Unity3D. Game yang dikembangkan menawarkan mekanika permainan standar FPS seperti aiming, shooting, dan movement, namun dengan latar cerita dan lingkungan yang berbasis budaya lokal, yakni desa tradisional Indonesia. Pemain berperan sebagai anak kecil yang bermain Pletokan melawan teman-temannya dalam berbagai level dengan tingkat kesulitan yang semakin menantang.
Co-Authors Ahmad Ar-Rosyid Hidayatullah Bagus Satria Putra Anugrah Wahyudi Firmasyah