Article Per Year (5 Year)
p-Index From 2021 - 2026
2.724
P-Index
This Author published in this journals
All Journal ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika JOURNAL OF ELECTRICAL AND SYSTEM CONTROL ENGINEERING Jurnal Ilmiah FIFO MIND (Multimedia Artificial Intelligent Networking Database) Journal TELKA - Telekomunikasi, Elektronika, Komputasi dan Kontrol TEKTRIKA - Jurnal Penelitian dan Pengembangan Telekomunikasi, Kendali, Komputer, Elektrik, dan Elektronika JMECS (Journal of Measurements, Electronics, Communications, and Systems) Jurnal Teknik Informatika (JUTIF) Charity : Jurnal Pengabdian Masyarakat Prosiding SNAST Jurnal Abdi Masyarakat Indonesia eProceedings of Engineering Jurnal INFOTEL
R. Yunendah Nur Fu’adah
Telkom University
Arts Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Materials Science & Nanotechnology Mechanical Engineering Public Health Social Sciences

Published : 59 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 34 Documents
Search
Journal : eProceedings of Engineering

 1   2   3   4 
Matched Filter Dan Morphology Operation Untuk Deteksi Status Gizi Bayi Berdasarkan Estimasi Antropometri Rifqi Muhammad Fikri; Rita Magdalena; R Yunendah Nur Fu’adah
eProceedings of Engineering Vol 6, No 1 (2019): April 2019
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Pengukuran fisik atau antropometri selama ini dikenal sebagai indikator sederhana dalam penilaian status gizi perorangan maupun masyarakat. Dalam penilaian untuk menentukan status gizi balita, antropometri disajikan dalam bentuk indeks yang dikaitkan dengan variabel lain. Indeks yang digunakan adalah indeks berat badan, dan tinggi badan sesuai usia dan jenis kelamin balita. Di Indonesia, grafik pertumbuhan yang dipergunakan berdasarkan The National Centre for Health Statistics (NCHS) dari Amerika Serikat. Grafik inilah yang digunakan dalam Kartu Menuju Sehat (KMS), atau buku catatan kesehatan anak yang diberikan pada orang tua. Grafik tersebut terdiri dari grafik pertumbuhan indeks-indeks yang diukur pada antropometri. Pada tugas akhir ini dirancang sebuah aplikasi Android yang dapat melakukan antropometri dengan input berupa citra digital menggunakan metode matched filter dan morphology operation. Kedua metode tersebut digunakan sebagai alat untuk melakukan ekstraksi komponen citra berupa representasi dan deskripsi suatu area dalam citra. Objek yang sudah tersegmentasi akan diolah lebih lanjut dengan perhitungan Body Surface Area (BSA) Mosteller yang menghasilkan informasi berupa berat badan dalam satuan kilogram (kg) dan tinggi badan dalam satuan centimeter(cm) Dari hasil pengujian sistem aplikasi, keluaran nilai antropometri mempunyai akurasi sebesar 82.19% untuk jenis kelamin laki-laki dan 82.45% untuk jenis kelamin perempuan. Kata Kunci: Antropometri, balita, deteksi citra, matched filter, morphology operation, Body Surface Area Mosteller. Abstract Physical measurement or anthropometry known as simple indicators to measure nutritional status of individuals or society. To determine the child's nutritional status, anthropometry is presented in the form of indexes which assosiated with another variable. The index used are weight index and height index according to the age and sex of the child. In Indonesia, the growth charts used are based on The National Centre for Health Statistics (NCHS) from United States of America. This graph is used in Kartu Menuju Sehat (KMS), or child health record books given to the parents. The graph consists of a growth chart of the indexes measured by anthropometry. This final project designs an Android app that can-do anthropometry with the input of digital image using matched filter and morphology operation method. Both methods are used as tools for performing image component extraction in the form of representation and description of an area in image. Objects that have been segmented will be processed further into the calculation of Body Surface Area (BSA) Mosteller which produces information of weight in kilograms (kg) and height in centimeters (cm). From the results of testing the application system, the output of anthropometry value has an accuracy of 82.19% for boys and 82.45% for girls. Keywords: anthropometry, child, image detection, matched filter, morphology operation, Body Surface Area Mosteller
Klasifikasi Katarak Menggunakan Metode Discrete Wavelet Transform (dwt) Dan Support Vector Machine (svm) Naufal Adi Gifran; Rita Magdalena; R. Yunendah Nur Fu'adah
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Katarak merupakan penyakit mata yang ditandai dengan mengeruhnya lensa mata, sehingga membuat penglihatan kabur. Seiring bertambahnya usia, protein pada lensa akan menggumpal dan perlahan-lahan membuat lensa keruh dan berkabut. Hal ini menyebabkan penglihatan menjadi kabur dan tidak jelas. Berdasarkan pada penjelasan di atas, maka penulis melakukan penelitian dengan menggunakan metode Discrete Wavelet Transform (DWT) dan klasifikasi Support Vector Machine (SVM) untuk merancang sistem klasifikasi katarak. Penelitian sebelumnya tentang klasifikasi katarak pernah dilakukan oleh Rais Zul Ihram pada tahun 2018 mendapatkan akurasi sebesar 93,3% dengan menggunakan metode GLCM dengan klasifikasi yang digunakan adalah SVM. Penelitian serupa dilakukan oleh Rizkia Dwi Auliannisa pada tahun 2017 tentang deteksi katarak menggunakan metode Transformasi Hough berbasis Android dengan menggunakan pengklasifikasian K-NN dan mencapai akurasi lebih dari 80%. Dari hasil pengujian diperoleh akurasi terbaik dari klasifikasi katarak sebesar 80%. Akurasi tersebut didapatkan dari pengujian 90 citra mata yang memiliki ukuran 512x512 piksel, pada tahap ekstrasi ciri digunakan subband filter LH pada metode Discrete Wavelet Transform (DWT). Digunakan kombinasi enam ciri statistik yaitu Mean, standar deviasi, skewness, kurtosis, entropy, variance. Pada tahap klasifikasi digunakan metode Support Vector Machine (SVM) dengan kernel gaussian, dan pembagian multikelas OneAgainst-All (OAA). Kata Kunci : Katarak, Discrete Wavelet Transform (DWT), Support Vector Machine (SVM) Abstract Cataract is an eye disease characterized by the clouding of the lens of the eye, which makes vision blurry. As we get older, the protein in the lens will clot and slowly make the lens cloudy and foggy. This causes vision to be blurred and unclear. Based on the explanation above, the authors conducted a study using the Discrete Wavelet Transform (DWT) method and the Support Vector Machine (SVM) classification to design a cataract classification system. Previous research on the classification of cataracts was done by Rais Zul Ihram in 2018 to get an accuracy of 93.3% using the GLCM method with the classification used was SVM. A similar study was conducted by Rizkia Dwi Auliannisa in 2017 on cataract detection using the Android-based Hough Transform method using K-NN classification and achieving an accuracy of more than 80%. From the test results obtained the best accuracy of cataract classification by 80%. The accuracy is obtained from testing 90 eye images that have a size of 512x512 pixels, at the feature extraction stage the LH subband filter is used in the Discrete Wavelet Transform (DWT) method. A combination of six statistical features is used, namely Mean, standard deviation, skewness, kurtosis, entropy, variance. At the classification stage, the Support Vector Machine (SVM) method is used with the Gaussian kernel, and the One-Against-All (OAA) multiclass division. Keywords: Cataract, Discrete Wavelet Transform (DWT), Support Vector Machine (SVM)
Klasifikasi Retinopati Diabetik Pada Citra Mata Digital Menggunakan 3d Glcm Dengan Learning Vector Quantization Ilma Rahma Dewi; Rita Magdalena; R. Yunendah Nur Fu'adah
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Retinopati diabetik merupakan salah satu komplikasi penyakit diabetes melitus yang terjadi pada retina mata dan dapat menyebabkan kebutaan. Penderita tidak merasakan gejala pada tahap awal, tetapi penglihatan mendadak hilang jika telah terjadi kerusakan yang sangat parah pada retina. Pemeriksaan medis retinopati diabetik dilakukan secara langsung oleh dokter dengan mengamati citra fundus retina pasien. Hasil citra retina dari kamera fundus tidak dapat memberikan informasi secara jelas sehingga dokter membutuhkan waktu yang relatif lama untuk menganalisis citra tersebut. Oleh karena itu, dirancang sebuah sistem untuk klasifikasi retinopati diabetik dengan waktu yang efisien. Sistem dibuat dengan menerapkan pengolahan citra digital menggunakan metode 3D Gray Level Cooccurrence Matrix untuk ekstraksi ciri. Hasil ekstraksi ciri kemudian diklasifikasikan menggunakan metode Learning Vector Quantization berdasarkan tingkat keparahan penyakit retinopati diabetik yaitu normal, Mild NPDR, Moderate NPDR, Severe NPDR dan proliferative diabetic retinopathy (PDR). Data yang digunakan pada sistem ini didapat dari EyePACS Retinal Reading Program yang berjumlah 250 data dengan pembagian masingmasing 175 data latih dan 75 data uji. Hasil pengujian yang telah dilakukan pada sistem ini mendapatkan akurasi 93.33% dengan waktu komputasi sebesar 0.7195 detik pada jarak antar piksel (d) = 1, sudut orientasi (θ) = 90º,45o menggunakan ciri statistik kontras, korelasi, energi dan homogenitas, serta hidden layer = 5 dan epoch = 500. Kata Kunci: Retinopati Diabetik, 3D GLCM, Learning Vector Quantization. Abstract Diabetic retinopathy is one of the complications of diabetes mellitus that occurs in the retina of the eye and can cause blindness. Patients do not feel the symptoms at an early stage, but sudden vision disappears if there has been very severe damage to the retina. Medical examination to diabetic retinopathy is handled by the doctor by observing the patient's retinal fundus image. Retinal image results from fundus cameras cannot provide clear information, so the doctors take a relatively long time to analyze the image. Therefore, a system is designed to classification of diabetic retinopathy in an efficient time. The system is created by applying digital image processing using the 3D Gray Level Co-occurrence Matrix method for features extraction. The results of the features extraction are then classified using the Learning Vector Quantization method based on the severity of diabetic retinopathy, which are normal, Mild NPDR, Moderate NPDR, Severe NPDR and proliferative diabetic retinopathy (PDR). The system using data obtained from EyePACS Retinal Reading Program with the amount of 250 data and devided into 175 training data and 75 testing data. The results of the tests that have been done on this system obtained the accuracy of 93.33% with computation time of 0.7195 seconds of pixel distance (d) = 1, orientation angle (θ) = 90º,45o by using statistic features contrast, correlation, energy and homogeneity, also hidden layer = 5 and epoch = 500. Keywords: Diabetic Retinopathy, 3D GLCM, Learning Vector Quantization.
Klasifikasi Kanker Usus Besar Menggunakan Metode Ekstraksi Ciri Principal Component Analysis Dan Klasifikasi Support Vector Machine Agung Aditama Putra; Rita Magdalena; R. Yunendah Nur Fu'adah
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Kanker kolektal adalah salah satu jenis kanker ganas yang terdapat pada usus besar (kolon) dan bagian paling bawah dari usus besar yang terhubung ke anus (rectum) karena gaya hidup yang tidak sehat. Ada beberapa jenis kanker usus besar yang menyerang manusia yaitu Sarcoma, Lymphoma, dan Carcinoma. Sistem yang dirancang ini untuk melakukan sebuah simulasi klasifikasi terhadap citra usus besar menggunakan metode Support Vector Machine (SVM) sebagai klasifikasi ciri. Dan Principal Analysis Component (PCA) sebagai ekstraksi ciri. Hasil dari Tugas Akhir ini adalah suatu sistem yang mampu melakukan identifikasi jenis penyakit kanker usus besar yang terdiri dari penyakit carcinoma, lymphoma, dan usus normal pada manusia. Sistem ini memiliki performansi nilai akurasi tertinggi 74.4% dengan waktu komputasi 6,4654 detik menggunakan 108 data citra latih dan 60 citra uji. Hasil ini menggunakan data uji ukuran 64 × 64 piksel, citra warna green, parameter statistik Entropy, Mean, dan Skewness pada PCA. Pada klasifikasi Support Vector Machine (SVM) menggunakan Kernel Radian Basis Function (RBF), dan pembagian multiclass One-Against-One (OAO). Kata Kunci: Usus Besar, kanker kolektal, PCA, SUPPORT VECTOR MACHINE (SVM) Abstract Collectal cancer is one type of malignant cancer found in the large intestine (colon) and the lowest part of the large intestine that is connected to the anus (rectum) due to an unhealthy lifestyle. There are several types of colon cancer that attack humans, namely Sarcoma, Lymphoma, and Carcinoma. The design of this system to simulate the classification of large intestine images using the Support Vector Machine (SVM) method as a feature classification. And Principal Analysis Component (PCA) as feature extraction. The results of this Final Project are a system that can identify types of colon cancer consisting of normal carcinoma, lymphoma and intestinal disease in humans. This system has the highest accuracy value of 74.4% with a computing time of 6.4654 seconds using 108 training image data and 60 test images. These results use 64 × 64 pixel test data, green color images, Entropy, Mean, and Skewness statistical parameters on PCA. The Support Vector Machine (SVM) classification uses the Kernel Radian Basis Function (RBF), and the multiclass One-Against-One (OAO) distribution. Keywords: Colon, colorectal cancer, PCA, SUPPORT VECTOR MACHINE (SVM)
Klasifikasi Jenis Zat Narkotika Dengan Menggunakan Metode Gray Level Co-occurrence Matrix (glcm) Dan Jaringan Saraf Tiruan Backpropagation (jst-bp) Irdin Arjulian; Raditiana Patmasari; R. Yunendah Nur Fu'adah
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Narkoba adalah suatu zat adiktif yang masuk kedalam tubuh yang mempengaruhi susunan sistem saraf atau otak yang berdampak buruk pada tubuh. Melihat alat pengujian jenis narkoba yang ada pada saat ini memerlukan biaya lebih mahal sehingga, menyebabkan terbatasnya alat yang dipunya dan tidak semua petugas yang berwenang melakukan penyidikan narkoba membawa alat saat sedang berkerja. Karena begitu seriusnya kasus narkoba di Indonesia diperlukan juga alat pendukung yang memadai untuk membantu para petugas saat berkerja. Maka dari itu, diperlukan suatu sistem yang dapat mengklasifikasikan jenis zat narkotika untuk dapat menjadi alternatif lain dalam pengujian jenis zat narkoba. Pada tugas akhir ini, sistem klasifikasi jenis zat narkoba yang dibuat menggunakan metode Gray Level Cooccurrence Matrix (GLCM) untuk ekstraksi ciri pada narkoba dengan klasifikasi menggunakan Jaringan Saraf Tiruan Backpropagation (JST-BP) untuk pencocokan basis data citra terhadap input yang akan di identifikasi. Hasil penelitian ini menggunakan 150 data citra latih dan 125 citra uji data jenis zat narkotika yang diambil menggunakan kamera dino-lite digital microscope AM3111T dengan hasil performansi sistem, nilai akurasi tertinggi 96,80% dan waktu komputasi 0,0897 detik. Hasil tersebut didapatkan dengan menggunakan parameter jarak piksel, arah sudut, level kuantisasi, 7 fitur ciri GLCM, pada klasifikasi JST-BP menggunakan parameter hidden layer, dan iterasi (epoch). Kata Kunci: Narkotika, Gray Level Co-occurrence Matrix, Jaringan Saraf Tiruan Backpropagation. Abstract Drugs is something substance addictive that entry into human body which affects arrangement neural system or brain that has bad impact on the body. Tool testing type of drugs that exists is more expensive. Expensive testing equipment for drugs, make tools become limited to use and no all the authorized officer conducts a drug investigation bring tool when worked. Because of that, case drugs in Indonesia that also needs supportive tool to help officer worked. Therefore, a system is needed that can classify the types of narcotics substance to be an alternative testing drugs substance. In this final project, the classification system for drugs substance using Gray Level Co-occurrence Matrix (GLCM) method for extraction characteristic image with classification using Artificial Neural Network Backpropagation (ANN-BP) for testing database images are tested by input data drugs that will be identified. The results of this study used 150 training images data and 125 test images of types narcotics substance, data taken using camera dino-lite digital microscope AM3111T with system performance results, the highest accuracy value is 96,80% and the computing time 0,0897 seconds. These results are obtained by using parameters of pixel distance, angle direction, quantization level, 7 features extraction GLCM, in the classification ANN-BP using parameters hidden layer, and iteration (epoch). Keywords: Narcotics, Gray Level Co-occurrence Matrix, Artificial Neural Network Backpropagation
Protoype Smart Traffic Light Berbasis Pengolahan Citra Digital Menggunakan Mikrokontroller Rifky Abdul Khafid; Raditiana Patmasari; R. Yunendah Nur Fu'adah
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Jalan raya merupakan sarana penghubung antara tempat satu ke tempat yang lain untuk mempermudah masyarakat dalam berkendara. Namun peningkatan jumlah kendaraan dari tahun ke tahun sangat mempengaruhi tingkat kepadatan di berbagai ruas jalan. Lampu lalu lintas merupakan salah satu solusi untuk mengurangi angka kemacetan di berbagai ruas jalan. Namun, sistem lampu lintas saat ini belum efektif karena menggunakan sistem fixed time trafic dengan waktu yang telah ditentukan. Oleh karena itu, pada penelitian kali ini dilakukan sistem pengaturan lampu lintas yang mampu mendeteksi kepadatan jumlah kendaraan di persimpangan jalan dengan menggunakan pengolahan citra digital. Jika salah satu ruas jalan di persimpangan tersebut memiliki jumlah antrian terbanyak, maka lampu lalu lintas di ruas jalan tersebut akan menyala hijau terlebih dahulu. Sistem ini bekerja dengan merekam ruas jalan dan mengambil frame dari rekaman tersebut di waktu yang telah ditentukan untuk dijadikan data masukan sistem. Selanjutnya data masukan tersebut diproses menggunakan pengolahan citra digital, kemudian data output pada sistem ini diimplementasikan menggunakan lampu LED yang akan menyala pada bagian ruas jalan dengan jumlah kendaraan terbanyak. Hasil yang diperoleh dari sistem ini yaitu mengetahui ruas mana yang memiliki jumlah kendaraan terbanyak, melalui proses labelling dan deteksi tepi untuk mengambil objek yang dibutuhkan. Setelah pengujian pada sistem ini dilakukan dapat ditarik kesimpulan bahwa intensitas cahaya sangat berpengaruh terhadap kinerja dan akurasi sistem. Pada pagi hari kondisi cerah menghasilkan akurasi sistem sebesar 92,50%. Sedangkan pada siang hari kondisi cerah akurasi sistem sebesar 80,00% dikarenakan terdapat intensitas cahaya yang tinggi. Dan pada sore hari kondisi berawan sistem menghasilkan akurasi paling optimal sebesar 95,00%. Dengan demikian rata – rata akurasi sistem yang diperoleh yaitu sebesar 89,16%. Kata Kunci : Lampu lalu lintas, pengolahan citra digital, mikrokontroller, LED Abstract Roads are a way to connect between places to ease commuting. But the increase of vehicle from year to year causes an increase in vehicle density on the road. Traffic lights are one of the solutions to reduce congestion on roads. However, traffic lights system nowadays are mostly inefficient because they usually use fixed time traffic. Because of that, in this study a cross-lamp regulation system was conducted which was able to detect the density of the number of vehicles at crossroads using digital image processing. If one of the roads at the intersection has the highest number of queues, then the traffic lights on the road will light green first. This system works by recording the road and taking frames from the recording at a specified time to be used as system input data. Furthermore, the input data is processed using digital image processing, then the output data in this system is implemented using LED lights that will light up on the section of the road with the highest number of vehicles. The results obtained from this system are knowing which section has the highest number of vehicles, through the labeling and edge detection process to retrieve the required objects. After testing the system, it can be concluded that the intensity of the light is very influential on the performance and accuracy of the system. In the morning bright conditions produce system accuracy of 92.50%. Whereas in bright daylight the system's accuracy is 80.00% due to high light intensity. And in the afternoon the cloudy condition of the system produces the most optimal accuracy of 95.00%. Thus, the average system accuracy obtained is 89.16%. Keywords : Traffic Light, Digital Image Processing, Microcontroller, LED
Perbandingan Performansi Denoising Menggunakan Metode Discrete Wavelet Transform Dan Metode Empirical Mode Decomposition Pada Sinyal Eeg Rahmad Hidayatullah Salam; Rita Magdalena; R. Yunendah Nur Fuadah
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Penelitian ini merancang sebuah sistem denoising untuk merekonstruksi sinyal EEG (Electroencephalogram). Denoising pada sinyal EEG penting dilakukan karena adanya noise yang tidak diinginkan sehingga dalam analisis sinyal EEG sulit mendapatkan informasi sinyal yang sebenarnya. Pada penelitian ini terdapat dua kasus yaitu sinyal EEG bersih akan diberikan dua noise yang berbeda yaitu Additive White Gaussian Noise (AWGN) dan Ocular Noise yang kemudian pada masing-masing kasus akan di denoising dengan menggunakan dua metode yaitu Emphirical Mode Decomposition (EMD) dan Discrete Wavelet Transforms (DWT). Pengujian dilakukan untuk memperoleh parameter-parameter pengukuran yaitu Mean Squared Error (MSE), Signal-to-Noise Ratio (SNR), serta Peak Signal-to-Noise Ratio (PSNR). Berdasarkan hasil pengujian terhadap 5 data sinyal EEG, denoising terbaik untuk AWGN dilakukan oleh metode DWT dengan basis wavelet DB12, threshold method SURE dengan hard threshold dan level dekomposisi 6 dengan nilai MSE 0,000029, SNR 27,97dB serta PSNR 26,20 dB. Pada percobaan Ocular Noise, DWT dengan Basis Wavelet DB12 dan level dekomposisi 1 menunjukkan hasil terbaik pada SNR sebesar 29,99 dB PSNR 23,76 dB, sedangkan untuk hasil MSE terbaik sebesar 0,00060 diberikan oleh metode EMD dengan hard thresholding pada nilai dekomposisi 0,1. Kata kunci: Electroencephalogram (EEG), Emphirical Mode Decomposition (EMD), Denoising, Discrete wavelet Transform (DWT). Abstract This Project designed a denoising system to reconstruct EEG (Electroencephalogram) signals. Denoising the EEG signal is important because there is unwanted noise so that in the EEG signal analysis it is difficult to get the actual signal information. In this study there are two cases, namely the clean EEG signal will be given two different noise, namely Additive White Gaussian Noise (AWGN) and Ocular Noise, which in each case will be denoised using two methods namely Emphirical Mode Decomposition (EMD) and Discre te Wavelet Transforms (DWT). Testing is done to obtain measurement parameters, namely Mean Squared Error (MSE), Signal-to-Noise Ratio (SNR), and Peak Signal-to-Noise Ratio (PSNR). Based on the test results of 5 EEG signal data, the best denoising for AWGN is done by the DWT method with DB12 Wavelet Base, Threshold Method SURE with hard threshold and Decomposition Level 6 with MSE values of 0.000029, SNR 27.97 dB and PSNR 26.20 dB. In the Ocular Noise experiment, DWT with DB12 Wavelet Base and decomposition level 1 showed the best results at SNR of 29.99 dB PSNR 23.769 dB, while the best MSE results of 0.00060 were given by EMD method with hard thresholding at decomposition value 0.1. Keywords: Electroencephalogram (EEG), Denoising, Emphirical Mode Decomposition (EMD), Discrete wavelet Transform (DWT).
Klasifikasi Intensitas Angin Siklon Tropis Pada Citra Inframerah Satelit Menggunakan Metode Svm Adam Agus Kurniawan; Koredianto Usman; R. Yunendah Nur Fuadah
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Dewasa ini, perubahan cuaca tidak dapat diprediksi karena adanya kejadian luar biasa akibat pemanasan global. Salah satu dampak perubahan iklim menyebabkan suburnya pertumbuhan angin siklon tropis di Bumi. Dalam mempermudah proses klasifikasi intensitas angin siklon tropis maka dibuatlah sebuah sistem yang berbasis machine learning. Algoritma yang digunakan dalam proses ekstraksi ciri adalah GLCM sedangkan pada proses klasifikasi adalah SVM. Pertama-tama, proses pengenalan citra inframerah dilakukan dengan mengekstraksi 14 fitur GLCM di ruang warna RGB, Ycbcr dan Grayscale. Selanjutnya, dilakukan proses kombinasi masing-masing sejumlah 3, 4 dan 5 fitur sebelum memasuki tahap klasifikasi. Pada masing-masing tahapan pengujian klasifikasi SVM dengan coding design OAO dan OAA akan di uji juga dengan penggunaan kernel Gaussian, Linear dan Polynomial termasuk juga pengaruh 3, 4 dan 5 fitur kombinasi GLCM untuk melihat pengaruhnya terhadap hasil akurasi. Dari proses pengujian ini, sistem dapat digunakan untuk mengklasifikasikan intensitas angin siklon tropis berbentuk citra inframerah dengan tingkat akurasi sebesar 88% yang sesuai dengan saffir-simpson hurricane wind scale. Kata kunci : Machine Learning, Siklon Tropis, Saffir-Simpson, GLCM, SVM Abstract Today, weather changes can’t be predicted due to extraordinary events due to global warming. One of the effects of climate change has led to the proliferation of tropical cyclone events on Earth. In facilitating the process of classification of tropical cyclone intensity, a machine learning based system was created. The algorithm used in the feature extraction process is GLCM while in the classification process is SVM. First of all, the infrared image recognition process is done by extracting 14 GLCM features in the RGB, Ycbcr and Grayscale color spaces. Next, a combination of 3, 4 and 5 features is carried out before entering the classification stage. At each stage of SVM classification testing with OAO and OAA coding design will also be tested with the use of Gaussian, Linear and Polynomial kernels including the influence of 3, 4 and 5 GLCM combination features to see the effect on the results of accuracy. From this testing process, the system can be used to classify tropical cyclone intensity in the form of infrared images with an accuracy rate of 88% which corresponds to the saffir-simpson hurricane wind scale. Keywords: Machine Learning, Tropical Cyclone, Saffir-Simpson, GLCM, SVM
Identifikasi Penyakit Pada Retina Berbasis Citra Optical Coherence Tomography (oct) Menggunakan Convolutional Neural Network (cnn) Dyah Retno Mutia; N Kumalasari Caecar Pratiwi; Yunendah Nur Fu’adah
eProceedings of Engineering Vol 8, No 6 (2021): Desember 2021
Publisher : eProceedings of Engineering

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

Abstract

ABSTRAK Penglihatan adalah salah satu indra manusia yang paling penting, kekurang yang dapat mempengaruhi produktifitas dan kemandirian seseorang. Penyakit retina mempengaruhi jutaan orang dan dapat mengakibatkan kerugian penglihatan jika penyakit tidak didiagnosis dan diobati secara dini. Peningkatan ini menyebabkan diperlukan alat bantu bagi para tenaga medis untuk mendeteksi gejala-gejala yang ditimbulkan akibat penyakit ini. Proses identifikasi dan klasifikasi citra hasil Optical Coherence Tomography (OCT) yang akurat membutuhkan tenaga ahli dan sistem deteksi yang mumpuni. Pada penelitian ini dilakukan identifikasi penyakit pada retina berbasis citra Optical Coherence Tomography (OCT) menggunakan metode Convolutional Neural network (CNN) yang mampu melakukan klasifikasi empat kelas penyakit pada retina yaitu pada kondisi CNV, DME, Drusen dan Normal. Parameter sistem yang terbaik di dapatkan dengan output channel 8,16,32,64,128, 5 jumlah hidden layer, menggunakan Adam optimizer, learning rate 0,001 dan batch size 32. Hasil yang diperoleh pada kondisi optimal didapatkan dari nilai akurasi, presisi, recall, dan f1-score yaitu masing-masing 87%, 86,75%, 87,5%, dan 87,25%. Kata Kunci : Penyakit Pada Retina, CNN, OCT ABSTRACT Sight is one of the most important human senses, the lack of which can affect a person's productivity and independence. Retinal disease affects people's illnesses and can result in impaired vision if not diagnosed and treated early. This increase causes the necessary tools for medical personnel to detect the symptoms caused by this disease. The process of knowing and classifying an accurate Optical Coherence Tomography (OCT) image requires experts and a capable detection system. In this study, a retinal disease method based on Optical Coherence Tomography (OCT) images using Convolutional Neural Network (CNN) was carried out which was able to classify four classes of retinal diseases, namely CNV, DME, Drusen and Normal conditions. The best system parameters were obtained with output channels 8,16,32,64,128, 5 hidden layers, using Adam optimizer, learning rate 0.001 and batch size 32. The results obtained under optimal conditions were obtained from the values of accuracy, precision, recall, and f1-scores are 87%, 86.75%, 87.5%, and 87.25% respectively Keywords : Retina Diseases, CNN, OCT
Watermarking Citra Medis Menggunakan Metode Discrete Sine Transform-Lifting Wavelet Transform dan Singular Value Decomposition Saiful Azis; Jangkung Raharjo; Yunendah Nur Fuadah
eProceedings of Engineering Vol 7, No 3 (2020): Desember 2020
Publisher : eProceedings of Engineering

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

Abstract

Perkembangan teknologi informasi saat ini begitu pesat dikarenakan sangat memudahkan aktivitas manusia. Hal tersebut telah menyentuh berbagai aspek kehidupan termasuk dunia medis salah satunya Electronical health record (EHR). Salah satu fitur utama dari EHR adalah informasi kesehatan dapat dibuat dan dikelola oleh penyedia resmi dalam format digital yang dapat dibagikan dengan penyedia lain yang lebih dari satu organisasi kesehatan Pada penelitian ini akan dilakukan watermarking dengan menggunakan metode Discrete Sine Transform (DST), Lifting Wavelet Transform (LWT) dan Single Value Decomposition (SVD) . DST dan LWT akan memproses citra medis dan penggabungan antara citra medis sebagai host dengan citra watermark pada proses SVD. Pada skenario tertentu citra terwatermark akan diberi serangan untuk mengetahui ketahanan yang dihasilkan. Adapun hasil yang didapatkan adalah nilai PSNR 54,3953 dB dan SSIM 0,9737. Hasil ini menandakan bahwa watermarking ini memilki kualitas yang baik karena PSNR berada diatas 40 dB. Kata Kunci :.Watermarking, Discrete Sine Transform, Lifting Wavelet Transform, Singular Value Decomposition
Co-Authors Achmad Rizal Adam Agus Kurniawan Adinda Maulida Agung Aditama Putra Ahmad Fauzan Fauzan Ahmad Zendhaf Allisha Septariani Ahmad Alva Rischa Qhisthana Pratika Ardhi Fibrianto Avon Budiono Azis Ansori Wahid Daulay, Muhammad Agil Syaifullah Dian Ayu Nurlitasari Dyah Retno Mutia Edwar Efri Suhartono FAUZI FRAHMA TALININGSIH Febriani Ruming Sari Firdaus, Muhammad Naufal Firos Fathul Alam Gelar Budiman Hurianti Vidya Hurianti Vidyaningtyas Ibnu Da'wan Salim Ibnu Da’wan Salim Ubaidah Ihsan Budi Purwono Ilma Rahma Dewi Imanuel Boyke Nainggolan Inung Wijayanto Irdin Arjulian Irham Bani Alfafa Jangkung Raharjo Koredianto Usman Ledya Novamizanti Lugina Perceka Putri M Teguh Kurniawan Maghfira Rifki Hariadi Miftahul Fawaz Muhamad Reinaldi Kurniawan Muhamad Rokhmat Isnaini MUHAMMAD ADNAN PRAMUDITO Muhammad Akhyar Ghifari Muhammad Ardhi Prakasa Muhammad Dwi Cahyo Muhammad Yuqdha Faza Mulyantini, Agustien N Kumalasari Caecar Pratiwi Nabila Herman Naufal Adi Gifran Nidaan Khofiya Nivadirrokhman, Dhanendra Nor Kumalasari Nor Kumalasari Caecar Pratiwi Nur Alyyu Nur Ibrahim Ocky Tiaramukti Pandu Jati Utomo PRAMUDITHO, MUHAMMAD ADNAN PRATIWI, NOR KUMALASARI CAESAR Putra, Rafly Fasha Purnomo Raditiana Patmasari Rafid Fakhri Rahmad Hidayatullah Salam Rahmiati Aulia Ramadhan, Ardiansyah Ratna Sari Ratri Dwi Atmaja Razief Moch Diar Rd. Rohmat Saedudin Rezki Ariz Rahadian Rifky Abdul Khafid Rifqi Muhammad Fikri Rita Magdalena Rita Purnamasari Rizki Muhammad Iqbal Rizky Gilang Gumilar Saiful Azis Santosa, Atharizky Ade Sari, Febriani Ruming Siti Hajar Komariah SOFIA SAIDAH Sony Sumaryo Steven Palondongan Sugondo Hadiyoso SY, NIDAAN KHOFIYA Syafiq Hilmi Abdullah Syamsul Rizal Syamsul Rizal TALININGSING, FAUZI FRAHMA Teguh Dian Arifandi Teguh Musaharpa Gunawan UBAIDULLAH, IBNU DAWAN Vidya, Hurianti Wawan Tripiawan Yoga Yuniadi Zuhri, Hamdan Syaifuddin