Ariani, Fenty
Universitas Bandar Lampung

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

Aplikasi Stunting Diagnosis menggunakan Metode Case Based Reasoning dengan Similarity K-Nearest Neighbor Claunisa, Zahira Cantika; Ariani, Fenty; Endra, Robby Yuli; Aprilinda, Yuthsi
Explore: Jurnal Sistem Informasi dan Telematika (Telekomunikasi, Multimedia dan Informatika) Vol 15, No 2 (2024): Desember
Publisher : Universitas Bandar Lampung (UBL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/jsit.v15i2.4093

Abstract

Stunting adalah kondisi gangguan pertumbuhan pada anak yang disebabkan oleh kekurangan gizi dan/atau infeksi berulang, ditandai dengan tinggi badan yang kurang dari standar. Kondisi ini mempengaruhi perkembangan fisik, kognitif, dan kesehatan anak di masa dewasa. Identifikasi dini dan intervensi yang tepat sangat penting, namun sering kali terhambat oleh kurangnya pengetahuan orang tua tentang gejala dan penanganan stunting. Selain itu, kendala ekonomi dan kurangnya kesadaran untuk berkonsultasi dengan tenaga kesehatan memperparah masalah. Oleh karena itu, penelitian ini mengembangkan sistem pakar berbasis Case-Based Reasoning (CBR) dengan teknik similaritas K-Nearest Neighbor (KNN) untuk membantu mendiagnosis stunting pada balita. Sistem ini bekerja dengan membandingkan kasus baru dengan data kasus sebelumnya dan memberikan rekomendasi solusi penanganan yang tepat. Hasil penelitian menunjukkan bahwa sistem ini dapat membantu diagnosis stunting, memberikan solusi penanganan yang sesuai, mengurangi biaya dan waktu yang dibutuhkan, serta menjadi alternatif yang lebih terjangkau dibandingkan konsultasi langsung dengan ahli gizi. Sistem pakar ini diharapkan dapat membantu meningkatkan kesadaran dan penanganan dini stunting di kalangan masyarakat.
Aplikasi Deteksi Dini Dan Penanganan Pada Gangguan Kecemasan Menggunakan Metode Random Forest Putri, Maya Wulandari; Ariani, Fenty; Kurniawan, Ari; Yuli Endra, Robby; Aprilinda, Yuthsi
Explore: Jurnal Sistem Informasi dan Telematika (Telekomunikasi, Multimedia dan Informatika) Vol 16, No 1 (2025): Juni
Publisher : Universitas Bandar Lampung (UBL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/jsit.v16i1.4309

Abstract

Gangguan kecemasan merupakan salah satu isu kesehatan mental yang penting, berpotensi memengaruhi kualitas hidup dan produktivitas individu. Di Indonesia, rendahnya kesadaran tentang kesehatan mental dan stigma terhadap layanan psikolog seringkali menghalangi orang yang membutuhkan bantuan. Penelitian ini bertujuan untuk mendeteksi dini gangguan kecemasan dan memberikan penanganan yang tepat melalui penggunaan metode Random Forest. Aplikasi ini menganalisis 25 gejala kecemasan dan mengkategorikan tingkat kecemasan menjadi normal, ringan, sedang, dan berat dengan pendekatan voting mayoritas dari sejumlah pohon keputusan. Evaluasi menunjukkan bahwa aplikasi ini mampu memberikan diagnosis yang akurat serta menawarkan solusi untuk penanganan. Dengan demikian, aplikasi ini tidak hanya memfasilitasi akses ke layanan kesehatan mental, tetapi juga berperan dalam meningkatkan kesadaran masyarakat tentang pentingnya perhatian terhadap kesehatan mental.
Face Recognition dengan YOLO 8 dan Convolutional Neural Network (CNN) Setiawan, Asep Trisna; Prihatmanto, Ary Setijadi; Erlangga, Erlangga; Ariani, Fenty; Permana, Adi
EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Vol 15, No 2 (2025): December
Publisher : Universitas Bandar Lampung (UBL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/expert.v15i2.4658

Abstract

Pengenalan wajah merupakan teknologi penting dalam biometric authentication untuk sistem keamanan dan identifikasi otomatis, namun metode tradisional masih terkendala oleh variasi pose dan pencahayaan. Penelitian ini bertujuan untuk mengembangkan dan mengintegrasikan arsitektur YOLOv8 sebagai face detector dan Convolutional Neural Network (CNN) sebagai face recognizer ke dalam satu pipeline end-to-end yang efisien. Metodologi yang digunakan melibatkan penggunaan YOLOv8 untuk deteksi dan lokalisasi wajah secara real-time, diikuti proses cropping serta alignment, dan diakhiri dengan klasifikasi identitas menggunakan model CNN berbasis transfer learning. Dataset yang digunakan mencakup 38 individu dengan total 380 citra yang dilatih menggunakan GPU NVIDIA GTX 1070. Hasil penelitian menunjukkan bahwa YOLOv8 mencapai performa sangat baik dengan nilai mean Average Precision (mAP@0.5) sebesar 0,972 dan waktu inferensi hanya 12,5 ms per frame. Sementara itu, model CNN berhasil mencapai akurasi pengujian sebesar 93,8% dengan F1-Score 0,93. Meskipun sistem mengalami penurunan performa pada kondisi pencahayaan rendah (low light) dan oklusi, integrasi kedua model ini terbukti tangguh dan layak diimplementasikan untuk aplikasi praktis seperti kontrol akses dan sistem kehadiran otomatis secara real-time. Pengembangan lanjutan disarankan untuk meningkatkan ketahanan model terhadap pose ekstrem dan hambatan visual yang berat.