Garuda - Garba Rujukan Digital

Deteksi Pulpitis Menggunakan Machine Learning Dalam Lingkup Optimalisasi Frontend Sangkala, Muh Aslam Mahdi; Saidah, Sofia; Hidayat, Bambang
eProceedings of Engineering Vol. 11 No. 6 (2024): Desember 2024
Publisher : eProceedings of Engineering

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

Studi ini ditujukan untuk mengembangkan dan melaksanakan antarmuka frontend untuk sistem deteksi Pulpitis Reversibel yang berbasis web. Fokus utama dari penelitian ini adalah menciptakan antarmuka yang intuitif, responsif, dan mudah digunakan, sehingga memungkinkan pengguna melakukan tes pemeriksaan gigi melalui perekaman dan pengunggahan audio. Penggunaan teknologi HTML, CSS, dan JavaScript digunakan untuk membangun fitur-fitur utama, termasuk perekaman langsung, pengunggahan file audio, dan tampilan hasil deteksi. Hasil deteksi ditampilkan dalam format visual yang jelas, memberikan umpan balik langsung mengenai kondisi kesehatan gigi pengguna. Penelitian ini menunjukkan bahwa desain frontend yang baik dapat secara signifikan meningkatkan pengalaman pengguna dan akurasi interaksi dalam aplikasi web, menjadikannya alat potensial untuk skrining awal Pulpitis Reversibel. Kata kunci— CSS, Deteksi, Frontend, Gigi, HTML, JavaScript, Pulpitis, Section.

Deteksi Penyakit Pada Daun Padi Menggunakan Metode LBP dan SVM Fitria, Ismaulida Nur; Raharjo, Jangkung; Saidah, Sofia
eProceedings of Engineering Vol. 11 No. 6 (2024): Desember 2024
Publisher : eProceedings of Engineering

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

Salah satu makanan pokok terpenting di dunia adalah beras, dan peningkatan konsumsi serta permintaan beras seiring dengan bertambahnya populasi dunia telah menimbulkan masalah hama dan penyakit pada tanaman padi. Organisasi Pangan dan Pertanian (FAO) memperkirakan bahwa 20-40% produksi pangan global gagal akibat serangan hama dan penyakit. Hal ini menyebabkan kerugian ekonomi yang besar bagi petani. Di Indonesia, petani sering kali mengalami kesulitan dalam mendeteksi jenis penyakit yang menyerang tanaman padi mereka, yang pada gilirannya berdampak pada menurunnya kualitas dan kuantitas hasil panen. Penulis menggunakan proses pengolahan gambar digital untuk menemukan penyakit pada daun padi menggunakan metode Local Binary Pattern (LBP) dan Support Vector Machine (SVM). Sistem dibangun melalui dua fase utama yaitu pelatihan dan pengujian. Citra daun padi diolah melalui proses preprocessing, kemudian fitur diekstraksi menggunakan metode LBP. Vektor fitur yang diperoleh selanjutnya digunakan dalam proses klasifikasi menggunakan metode SVM. Hasil penelitian menunjukkan bahwa metode LBP dan SVM memberikan nilai akurasi yang baik dalam mendeteksi penyakit pada daun padi. Jenis pola LBP yang memberikan hasil terbaik adalah pola uniform dengan akurasi 80,56%, sedangkan kernel SVM dengan kinerja terbaik adalah kernel linier dan polynomial orde 1 dengan akurasi sebesar 83,33%. Kata kunci : Local Binary Pattern, Rice Leaf Disease, Support Vector Machine.

Sistem Pendeteksian Tingkat Stres dengan Pengolahan Citra Wajah Berbasis YOLOv8 dan Regresi Linear Salsabila, Afap; Fauzi, Hilman; Saidah, Sofia
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

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

Stres merupakan salah satu masalah Kesehatan mental yang banyak dialami oleh individu di era modern. Faktor-faktor seperti tekanan pekerjaan, tuntutan sosial, serta ketidak pastian ekonomi sering kali menjadi pemicu utama. Penelitian ini bertujuan untuk mengembangkan sistem pendetekssian tingkat stres berbasis pemrosesan citra wajah dengan moddel YOLOv8 untuk deteksi objek dan regresi linear untuk prediksi skor stres. Dataset yang digunakan adalah dataset primer dan sekunder yang terdiri dari foto wajah berekspresi netral, untuk dataset primer dilengapi skor stres dari hasil asesmen DASS-21. Sistem dievaluasi menggunakan mAP, precision, recall, dan F1-Score. Hasil terbaik menunjukan mAp@90 sebesar 91%, precision 76%, recall 84%, dan F1-score 79%, menggunakan optimizer AdamW, batch size 16, dan leanring rate 0.001 selama 100 epoch kata kunci— YOLOv8, DASS-21, Citra Wajah, Regresi Linear

Sistem Deteksi Dini Glaukoma Berbasis Pencintraan Fundus Suwandhi, Adhisty Putrina; Susilo, Mochammad Hilmi; Masykur, Muhammad Fadhel Affandi; Magdalena, Rita; Fathurrahman, Muhammad Hanif; Saidah, Sofia
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

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

Glaukoma merupakan penyebab kebutaan permanen kedua terbanyak di dunia setelah katarak, dan menjadi ancaman serius bagi kesehatan mata, khususnya pada lansia. Penyakit ini sering berkembang tanpa gejala pada tahap awal, sehingga banyak kasus baru terdeteksi saat kondisi sudah parah dan kerusakan saraf optik bersifat permanen. Oleh karena itu, deteksi dini glaukoma menjadi sangat penting guna mencegah kebutaan yang tidak dapat dipulihkan. Penelitian ini bertujuan untuk mengembangkan sistem deteksi dini glaukoma berbasis teknologi deep learning dengan memanfaatkan Convolutional Neural Network (CNN) untuk mengklasifikasikan citra fundus retina ke dalam dua kategori, normal dan glaukoma. Empat arsitektur CNN digunakan dan dibandingkan performanya, yaitu ResNet50, EfficientNetB0, MobileNetV2, dan VGG16, dengan pendekatan fine-tuning hyperparameter untuk memperoleh hasil optimal. Dataset yang digunakan merupakan kombinasi dari SMDG19 serta citra tambahan yang diperoleh melalui pantoscopic ophthalmoscope yang terintegrasi dengan smartphone. Dari hasil pengujian, arsitektur VGG16 memberikan performa terbaik dengan akurasi mencapai 86,7% dan waktu pemrosesan gambar kurang dari 5 detik. Hasil ini menunjukkan bahwa sistem yang dikembangkan berpotensi menjadi alat bantu diagnosis yang cepat, efisien, dan mudah diimplementasikan, khususnya di daerah dengan keterbatasan tenaga medis dan teknologi kesehatan.Kata Kunci: glaukoma, deep learning, citra fundus, CNN, deteksi dini, VGG16, ophthalmoscope

Sistem Deteksi Dini Glaukoma Berbasis Pencintraan Fundus Suwandhi, Adhisty Putrina; Susilo, Mochammad Hilmi; Masykur, Muhammad Fadhel Affandi; Magdalena, Rita; Fathurrahman, Muhammad Hanif; Saidah, Sofia
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

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

Glaukoma merupakan penyebab kebutaan permanen kedua terbanyak di dunia setelah katarak, dan menjadi ancaman serius bagi kesehatan mata, khususnya pada lansia. Penyakit ini sering berkembang tanpa gejala pada tahap awal, sehingga banyak kasus baru terdeteksi saat kondisi sudah parah dan kerusakan saraf optik bersifat permanen. Oleh karena itu, deteksi dini glaukoma menjadi sangat penting guna mencegah kebutaan yang tidak dapat dipulihkan. Penelitian ini bertujuan untuk mengembangkan sistem deteksi dini glaukoma berbasis teknologi deep learning dengan memanfaatkan Convolutional Neural Network (CNN) untuk mengklasifikasikan citra fundus retina ke dalam dua kategori, normal dan glaukoma. Empat arsitektur CNN digunakan dan dibandingkan performanya, yaitu ResNet50, EfficientNetB0, MobileNetV2, dan VGG16, dengan pendekatan fine-tuning hyperparameter untuk memperoleh hasil optimal. Dataset yang digunakan merupakan kombinasi dari SMDG19 serta citra tambahan yang diperoleh melalui pantoscopic ophthalmoscope yang terintegrasi dengan smartphone. Dari hasil pengujian, arsitektur VGG16 memberikan performa terbaik dengan akurasi mencapai 86,7% dan waktu pemrosesan gambar kurang dari 5 detik. Hasil ini menunjukkan bahwa sistem yang dikembangkan berpotensi menjadi alat bantu diagnosis yang cepat, efisien, dan mudah diimplementasikan, khususnya di daerah dengan keterbatasan tenaga medis dan teknologi kesehatan.Kata Kunci: glaukoma, deep learning, citra fundus, CNN, deteksi dini, VGG16, ophthalmoscope

Sistem Deteksi Dini Glaukoma Berbasis Pencintraan Fundus Suwandhi, Adhisty Putrina; Susilo, Mochammad Hilmi; Masykur, Muhammad Fadhel Affandi; Magdalena, Rita; Fathurrahman, Muhammad Hanif; Saidah, Sofia
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

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

Glaukoma merupakan penyebab kebutaan permanen kedua terbanyak di dunia setelah katarak, dan menjadi ancaman serius bagi kesehatan mata, khususnya pada lansia. Penyakit ini sering berkembang tanpa gejala pada tahap awal, sehingga banyak kasus baru terdeteksi saat kondisi sudah parah dan kerusakan saraf optik bersifat permanen. Oleh karena itu, deteksi dini glaukoma menjadi sangat penting guna mencegah kebutaan yang tidak dapat dipulihkan. Penelitian ini bertujuan untuk mengembangkan sistem deteksi dini glaukoma berbasis teknologi deep learning dengan memanfaatkan Convolutional Neural Network (CNN) untuk mengklasifikasikan citra fundus retina ke dalam dua kategori, normal dan glaukoma. Empat arsitektur CNN digunakan dan dibandingkan performanya, yaitu ResNet50, EfficientNetB0, MobileNetV2, dan VGG16, dengan pendekatan fine-tuning hyperparameter untuk memperoleh hasil optimal. Dataset yang digunakan merupakan kombinasi dari SMDG19 serta citra tambahan yang diperoleh melalui pantoscopic ophthalmoscope yang terintegrasi dengan smartphone. Dari hasil pengujian, arsitektur VGG16 memberikan performa terbaik dengan akurasi mencapai 86,7% dan waktu pemrosesan gambar kurang dari 5 detik. Hasil ini menunjukkan bahwa sistem yang dikembangkan berpotensi menjadi alat bantu diagnosis yang cepat, efisien, dan mudah diimplementasikan, khususnya di daerah dengan keterbatasan tenaga medis dan teknologi kesehatan.Kata Kunci: glaukoma, deep learning, citra fundus, CNN, deteksi dini, VGG16, ophthalmoscope

Sistem Deteksi Dini Glaukoma Berbasis Pencintraan Fundus Suwandhi, Adhisty Putrina; Susilo, Mochammad Hilmi; Masykur, Muhammad Fadhel Affandi; Magdalena, Rita; Fathurrahman, Muhammad Hanif; Saidah, Sofia
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

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

Glaukoma merupakan penyebab kebutaan permanen kedua terbanyak di dunia setelah katarak, dan menjadi ancaman serius bagi kesehatan mata, khususnya pada lansia. Penyakit ini sering berkembang tanpa gejala pada tahap awal, sehingga banyak kasus baru terdeteksi saat kondisi sudah parah dan kerusakan saraf optik bersifat permanen. Oleh karena itu, deteksi dini glaukoma menjadi sangat penting guna mencegah kebutaan yang tidak dapat dipulihkan. Penelitian ini bertujuan untuk mengembangkan sistem deteksi dini glaukoma berbasis teknologi deep learning dengan memanfaatkan Convolutional Neural Network (CNN) untuk mengklasifikasikan citra fundus retina ke dalam dua kategori, normal dan glaukoma. Empat arsitektur CNN digunakan dan dibandingkan performanya, yaitu ResNet50, EfficientNetB0, MobileNetV2, dan VGG16, dengan pendekatan fine-tuning hyperparameter untuk memperoleh hasil optimal. Dataset yang digunakan merupakan kombinasi dari SMDG19 serta citra tambahan yang diperoleh melalui pantoscopic ophthalmoscope yang terintegrasi dengan smartphone. Dari hasil pengujian, arsitektur VGG16 memberikan performa terbaik dengan akurasi mencapai 86,7% dan waktu pemrosesan gambar kurang dari 5 detik. Hasil ini menunjukkan bahwa sistem yang dikembangkan berpotensi menjadi alat bantu diagnosis yang cepat, efisien, dan mudah diimplementasikan, khususnya di daerah dengan keterbatasan tenaga medis dan teknologi kesehatan.Kata Kunci: glaukoma, deep learning, citra fundus, CNN, deteksi dini, VGG16, ophthalmoscope

Klasifikasi Tulisan Tangan Bahasa Arab Menggunakan Teknik Yolo Firdaus, Muhammad Ilham Zuhruf; Saidah, Sofia; Ibrahim, Nur
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

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

Tulisan tangan dalam bahasa Arab memiliki tantangan tersendiri dalam proses pengenalan otomatis karena bentuk hurufnya yang kompleks, bersambung, serta adanya variasi gaya penulisan individu. Permasalahan ini menjadi penting untuk dipecahkan terutama dalam konteks digitalisasi dokumen dan aplikasi pendidikan berbasis teknologi. Penelitian ini bertujuan untuk mengembangkan sistem pendeteksi tulisan tangan bahasa Arab dengan memanfaatkan teknik You Only Look Once (YOLO), sebuah pendekatan object detection berbasis deep learning yang dikenal karena kecepatannya dalam mengenali objek secara real-time. Penelitian ini dibatasi pada deteksi huruf-huruf tunggal dalam tulisan tangan, bukan pada pengenalan kata utuh atau kalimat. Metode yang digunakan melibatkan beberapa tahap utama, dimulai dari pengumpulan dataset tulisan tangan bahasa Arab yang telah dilabeli secara manual. Selanjutnya dilakukan proses pelatihan model menggunakan arsitektur YOLOv9 dengan menyesuaikan parameter agar optimal terhadap karakteristik huruf Arab. Model dilatih untuk mendeteksi dan mengklasifikasikan huruf secara individu dalam gambar tulisan tangan. Setelah pelatihan, dilakukan evaluasi menggunakan metrik seperti mean Average Precision (mAP), presisi, dan recall untuk mengukur performa sistem. Dalam proses ini juga dilakukan augmentasi data untuk meningkatkan generalisasi model terhadap berbagai bentuk tulisan tangan. Hasil dari penelitian ini menunjukkan bahwa penggunaan YOLO efektif dalam mendeteksi tulisan tangan huruf Arab dengan akurasi yang cukup tinggi, terutama dalam kondisi pencahayaan dan latar belakang yang bervariasi. Sistem yang dikembangkan mampu melakukan deteksi secara cepat dan akurat, serta memiliki potensi untuk dikembangkan lebih lanjut dalam aplikasi OCR (Optical Character Recognition) untuk bahasa Arab. Penelitian ini diharapkan dapat menjadi langkah awal dalam pengembangan sistem pengenalan tulisan tangan Arab yang lebih kompleks di masa depan. Kata kunci— YOLO, Tulis tangan, OCR, Bahasa Arab

Perancangan Sistem Klasifikasi Alzheimer Berbasis Pengolahan Citra MRI Menggunakan Convolutional Neural Network (CNN) Bongso, Dery Febryanto; Patmasari, Raditiana; Saidah, Sofia
eProceedings of Engineering Vol. 10 No. 5 (2023): Oktober 2023
Publisher : eProceedings of Engineering

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

Penyakit Alzheimer atau Alzheimer Diseases(AD) adalah penyakit otak yang menyebabkan penurunan dayaingat, menurunnya kemampuan berpikir dan berbicara, sertaperubahan perilaku. Seiring dengan waktu, Penyakit Alzheimerdapat membuat penderitanya tidak mampu melakukanperkerjaan sehari-hari. Penyakit Alzheimer umumnya terjadipada seseorang yang berusia di atas 65 tahun. Dalammendeteksi Alzheimer para medis menggunakan pencitraanpada otak salah satu metode yang banyak digunakan MagneticResonance Imaging (MRI). Dengan perkembangan teknologipengolahan citra dan komputasi tenaga medis menggunakandeep learning sebagai metode identifikasi. Hal ini dikarenakandeep learning memiliki average precision yang tinggi dalammengklasifikasikan citra. Dari pengujian performa sistem padasistem yang dirancangkan berdasarkan hasil terbaik dari setiapskenario dengan ukuran citra 224×224, optimizer adam, learingrate 0,0001, epoch 80, dan batch size didapatkan tingkat akurasisebesar 92%, tingkat presisi sebesar 94%, recall sebesar 92%,dan f1-score sebesar 93%.Kata kunci— penyakit alzheimer, convolutional neuralnetwork, hidden layer, learning rate, batch rate, resize.

OPTIMALISASI ARSITEKTUR MOBILENET UNTUK PENGKLASIFIKASIAN CUACA Aditya S.B, I Dewa Agung; Saidah, Sofia; Usman, Koredianto
eProceedings of Engineering Vol. 10 No. 6 (2023): Desember 2023
Publisher : eProceedings of Engineering

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

Cuaca adalah kondisi atmosfer dengan periode waktu yang singkat. Diketahui ada beberapa jenis cuaca yaitu cuaca cerah, berawan, hujan, dan panas. Kondisi cuaca juga berpengaruh terhadap aktifitas manusia sehari-hari. Adapun beberapa sektor yang dipengaruhi oleh kondisi cuaca yaitu sektor pertanian, peternakan, akuakultur, penerbangan, dan lain-lain. Perubahan cuaca yang ekstrim dengan waktu cepat, membutuhkan analisis klasifikasi cuaca yang cepat juga. Pada penelitian ini diusulkan desain sistem klasifikasi cuaca menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur MobileNet. Selain itu, penelitian ini memanfaatkan citra digital yang berasal dari data sekunder yaitu platform Kaggle. Dengan penelitian ini dilakukan proses akuisisi citra dengan dataset yang terdiri dari 4 kelas. Kelas tersebut terdiri dari 300 citra berawan, 215 citra hujan, 253 citra cerah, dan 357 citra cerah berawan. Dari dataset keseluruhan dibagi menjadi 80% data latih, 20% data uji. Dalam Penelitian ini dilakukan pengujian beberapa parameter yang mempengaruhi peformansi sistem antara lain image size, optimizer, learning rate, nilai epoch, dan batch size. Dari kelima parameter tersebut diuji menjadi 5 skenario. Masing-masing skenario dipilih hasil yang paling baik. Sehingga diperoleh parameter yang optimal yaitu resize citra 224´224 pixel, optimizer Adamax, epoch 50, batch size 16 dan learning rate 0,0001. Dengan nilai akurasi sebesar 95,56% dan nilai loss 0,194.Kata kunci : citra, convolutional neural network (CNN), MobileNet

Title

Found 36 Documents
Search
Journal : eProceedings of Engineering

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 36 Documents Search Journal : eProceedings of Engineering

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 36 Documents
Search
Journal : eProceedings of Engineering