Garuda - Garba Rujukan Digital

Implemetasi Convolutional Neural Network (CNN) dalam Mendeteksi dan Mendiagnosis Kelainan Telapak Kaki Alrizqi, Naufal Dwi; Wijayanto, Inung; Saidah, Sofia
eProceedings of Engineering Vol. 11 No. 4 (2024): Agustus 2024
Publisher : eProceedings of Engineering

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

Arkus adalah lengkungan pada telapak kaki berupa celah antara bagian dalam dari kaki dan permukaan. Ada tiga jenis arkus yaitu normal, tinggi, dan datar, dengan dua terakhir dianggap sebagai kelainan kaki. Kelainan ini menjadi fokus dalam penilaian calon anggota Kepolisian Republik Indonesia (POLRI). Saat ini, pengukuran arkus dilakukan secara manual dengan penggaris, yang sering kali tidak akurat. Untuk mengatasi masalah ini, kami merancang sistem pendeteksi telapak kaki bernama "Flatyfoot". Sistem ini, yang berbasis Deep Learning dan menggunakan arsitektur Convolutional Neural Network (CNN) ResNet152 V2, dapat mengidentifikasi dua jenis telapak kaki (normal dan tidak normal) dengan akurasi tinggi. Dengan demikian, proses seleksi POLRI dapat menjadi lebih akurat dan efisien. Penelitian kami menunjukkan bahwa sistem ini memiliki performa 84,44%, menandakan bahwa model dapat berjalan sesuai rancangan. Kata Kunci4Flatfoot, POLRI, Deep Learning, Convolutional Neural Network (CNN), Deteksi Kelainan Telapak Kaki

Desain dan Implementasi User Interface Sistem Deteksi Kelainan Telapak Kaki Fardiyanti, Defitriana; Wijayanto, Inung; Saidah, Sofia
eProceedings of Engineering Vol. 11 No. 4 (2024): Agustus 2024
Publisher : eProceedings of Engineering

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

Arkus adalah lengkungan pada telapak kaki berupa celah antara bagian dalam dari kaki dan permukaan. Ada tiga jenis arkus yaitu normal, tinggi, dan datar, dengan dua terakhir dianggap sebagai kelainan kaki. Kelainan ini menjadi fokus dalam penilaian calon anggota Kepolisian Republik Indonesia (POLRI). Saat ini, pengukuran arkus dilakukan secara manual dengan penggaris, yang sering kali tidak akurat. Untuk mengatasi masalah ini, kami merancang sistem pendeteksi telapak kaki bernama "Flatyfoot". Sistem ini, yang berbasis Deep Learning dan menggunakan arsitektur CNN ResNet152 V2, dapat mengidentifikasi dua jenis telapak kaki (normal dan tidak normal) dengan akurasi tinggi. Dengan demikian, proses seleksi POLRI dapat menjadi lebih akurat dan efisien. Penelitian kami menunjukkan bahwa sistem ini memiliki performa 84,44%, menandakan bahwa model dapat berjalan sesuai rancangan. Kata Kunci: Flatfoot, POLRI, Deep Learning, Convolutional Neural Network

Analisis dan Klasifikasi Penyakit Pada Daun Padi Dengan Menggunakan Metode Yolov8 Prayudi, Yoshi; Saidah, Sofia; Magdalena, Rita
eProceedings of Engineering Vol. 11 No. 6 (2024): Desember 2024
Publisher : eProceedings of Engineering

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

Penyakit pada daun padi merupakan tantangan utama dalam pertanian padi yang dapat secara signifikan mengurangi hasil panen. Penyakit ini disebabkan oleh berbagai patogen, termasuk jamur, bakteri, dan virus, yang menyerang daun padi dan mempengaruhi pertumbuhan serta kualitas tanaman. Gejala umum yang muncul meliputi bercak-bercak pada daun, perubahan warna, deformasi, dan penurunan luas daun yang sehat. Pengendalian penyakit ini melibatkan pemilihan varietas yang tahan, pengaturan tanaman yang baik, penerapan teknik sanitasi, serta penggunaan agen pengendali penyakit yang tepat. Memahami penyakit pada daun padi dengan baik sangat penting untuk menjaga produktivitas pertanian dan keberlanjutan sistem pertanian padi di masa depan. Pada penelitian ini dilakukan klasifikasi penyakit pada daun padi menggunakan metode YOLOv8. Metode ini digunakan karena akurasi yang dihasilkan dalam melakukan klasifikasi objek cukup tinggi. Selain itu dengan YOLOv8 proses klasifikasi objek dapat dilakukan secara real time. Dari total dataset yang digunakan 3.773 gambar dengan pembagian data testing sebanyak 418 gambar, data training 2.684 gambar, dan data validasi 671 gambar. Dengan total data training sebesar 70%, validasi sebesar 20%, dan testing sebesar 10%. Hasil dari pengujian yang dilakukan didapatkan nilai terbaik yaitu pada saat pengujian menggunakan size 224, learning rate 0.01, batch size 16, dan optimizer SGD yaitu presisi sebesar 0.982, recall 0.989, mAP50 0.986, dan mAP50-95 0.929 dan dari hasil perhitungan F1-Score sebesar 96,2%. Kata Kunci : Google Collab, Penyakit Daun Padi, Phyton, YOLOv8.

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

Title

Found 67 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 67 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 67 Documents
Search