Article Per Year (5 Year)
p-Index From 2021 - 2026
9.74
P-Index
This Author published in this journals
All Journal Jurnal Ilmu Komputer dan Informasi Techno.Com: Jurnal Teknologi Informasi TEKNOLOGI: Jurnal Ilmiah Sistem Informasi TELKOMNIKA (Telecommunication Computing Electronics and Control) Jurnal Ilmu Komputer dan Agri-Informatika EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Jurnal Teknologi Informasi dan Ilmu Komputer International Journal of Advances in Intelligent Informatics Jurnal Teknologi dan Sistem Komputer JOIV : International Journal on Informatics Visualization Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Journal of Information Technology and Computer Science Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Jurnal Inovasi Hasil Pengabdian Masyarakat (JIPEMAS) Jurnal Litbang Edusaintech Tri Dharma Mandiri: Diseminasi dan Hilirisasi Riset Kepada Masyarakat (Jurnal Pengabdian Kepada Masyarakat) Kohesi: Jurnal Sains dan Teknologi
Novanto Yudistira
Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
Agriculture, Biological Sciences & Forestry Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Energy Engineering Health Professions Industrial & Manufacturing Engineering Library & Information Science Mathematics Public Health Social Sciences Other

Published : 86 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 86 Documents
Search

 5   6   7   8   9 
Fine-Tuning Model Difusi dengan Metode DreamBooth pada Generasi Pola Batik Tradisional Berdasarkan Nama Batik Almasyhur, Muhammad Bin Djafar; Yudistira, Novanto; Dewi, Candra
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 11 (2025): November 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Sebagai warisan budaya takbenda UNESCO, batik menyimpan nilai filosofis yang mendalam, namun reproduksi dan inovasinya kini dapat ditunjang oleh kecerdasan buatan generatif. Model difusi, meskipun memiliki kemampuan menghasilkan citra berkualitas tinggi, belum optimal dalam memahami token semantik spesifik seperti nama motif batik. Penelitian ini menerapkan metode fine-tuning DreamBooth pada model sd-batik-llava menggunakan 5.000 citra dari 20 motif batik untuk mengevaluasi kemampuannya dalam mengaitkan nama motif dengan representasi visual yang tepat. Evaluasi kuantitatif menggunakan Fréchet Inception Distance (FID) dan Inception Score (IS) menunjukkan bahwa model hasil fine-tuning mampu merepresentasikan motif seperti parang dan megamendung secara lebih akurat, meskipun dengan penurunan skor FID menjadi 179,4 dan IS 3,445, mengindikasikan peningkatan spesifisitas dengan penurunan generalisasi. Hasil ini menunjukkan bahwa DreamBooth efektif dalam memperkuat hubungan semantik antara teks dan citra pada domain budaya yang bersifat khusus, sekaligus membuka jalan bagi pelestarian warisan visual melalui AI.
Segmentasi Multimodal Citra Medis Menggunakan Pre-Trained Swin Transformer Dengan Mixture of Experts Pangondian, Yosia; Yudistira, Novanto; Widodo, Agus Wahyu
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 11 (2025): November 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Segmentasi citra medis merupakan langkah penting dalam diagnosis medis yang lebih akurat dan pengobatan yang tepat. Namun, proses ini seringkali membutuhkan waktu yang lama dan bergantung pada keahlian radiologis, sehingga meningkatkan kemungkinan variabilitas antar pengamat. Penelitian ini mengusulkan penggunaan swin transformer dengan pre-trained weights, dikombinasikan dengan pendekatan Mixture of Experts (MoE), untuk melakukan segmentasi citra medis multimodal. Metode yang diusulkan mengatasi tantangan dalam segmentasi citra medis dengan mengintegrasikan data dari berbagai modalitas seperti Magnetic Resonance Imaging (MRI) dan Computed Tomography scan (CT-Scan), meningkatkan akurasi dan pemahaman kontekstual model. Selain itu, penelitian ini memperkenalkan Sample-wise Scalar Gating (SSG) sebagai metode modulasi skalar dinamis yang diimplementasikan setelah skip connection, yang terbukti meningkatkan performa segmentasi model. Hasil eksperimen menunjukkan bahwa penggunaan MoE dan SSG meningkatkan akurasi model, dengan dice score tertinggi mencapai 0.881. Kontribusi utama dari penelitian ini adalah pengembangan modulasi SSG yang memungkinkan kontrol dinamis terhadap sinyal gabungan, meningkatkan fleksibilitas model dalam menangani variasi data medis yang kompleks.
Pembuatan Pola Batik Buatan Menggunakan Stable Diffusion dengan ControlNet dan Canny Guidance Ikhwanul Kiram, Muh Zaqi; Yudistira, Novanto; Dewi, Candra
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 11 (2025): November 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Batik, sebagai warisan budaya Indonesia yang diakui UNESCO, memiliki nilai seni dan ekonomi yang tinggi. Namun, para pengrajin sering menghadapi tantangan dalam menciptakan motif baru yang inovatif, sementara model generatif AI sebelumnya seperti GAN dan diffusion dasar kurang memiliki kendali untuk menghasilkan pola yang terarah. Penelitian sebelumnya dengan model text-to-image juga menunjukkan keterbatasan dalam menciptakan komposisi spasial yang kompleks. Penelitian ini bertujuan untuk mengatasi keterbatasan tersebut dengan mengeksplorasi penggunaan Stable Diffusion yang diintegrasikan dengan ControlNet dan Canny Guidance. Tujuannya adalah untuk mengetahui pengaruh metode ini terhadap pola batik yang dihasilkan dan menilai kualitasnya berdasarkan tuning hyperparameter. Hasil penelitian menunjukkan bahwa kombinasi ControlNet dan Canny Guidance berhasil menggabungkan citra masukan, seperti logo, dengan motif batik secara menyatu. Berdasarkan evaluasi kualitatif terhadap input logo Universitas Brawijaya, model mencapai skor rata-rata 3.425/5 untuk keberadaan motif batik, 3.3/5 untuk kecocokan dengan input, dan 3.025/5 untuk kesesuaian disebut sebagai motif batik. Secara kuantitatif, model mencapai Inception Score (IS) sebesar 4.839 ± 0.270 dari 5.000 gambar yang dihasilkan. Kesimpulannya, penelitian ini berhasil merumuskan inference pipeline yang efektif untuk menciptakan motif batik baru yang terkontrol dan kompleks dengan menggabungkan input spesifik dari pengguna. Kata kunci: stable diffusion, controlnet, canny guidance, generative AI, motif batik
Imputation of missing microclimate data of coffee-pine agroforestry with machine learning Nurwarsito, Heru; Suprayogo, Didik; Sakti, Setyawan Purnomo; Prayogo, Cahyo; Yudistira, Novanto; Fauzi, Muhammad Rifqi; Oakley, Simon; Mahmudy, Wayan Firdaus
International Journal of Advances in Intelligent Informatics Vol 10, No 1 (2024): February 2024
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26555/ijain.v10i1.1439

Abstract

This research presents a comprehensive analysis of various imputation methods for addressing missing microclimate data in the context of coffee-pine agroforestry land in UB Forest. Utilizing Big data and Machine learning methods, the research evaluates the effectiveness of imputation missing microclimate data with Interpolation, Shifted Interpolation, K-Nearest Neighbors (KNN), and Linear Regression methods across multiple time frames - 6 hours, daily, weekly, and monthly. The performance of these methods is meticulously assessed using four key evaluation metrics Mean Absolute Error (MAE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE), and Mean Absolute Percentage Error (MAPE). The results indicate that Linear Regression consistently outperforms other methods across all time frames, demonstrating the lowest error rates in terms of MAE, MSE, RMSE, and MAPE. This finding underscores the robustness and precision of Linear Regression in handling the variability inherent in microclimate data within agroforestry systems. The research highlights the critical role of accurate data imputation in agroforestry research and points towards the potential of machine learning techniques in advancing environmental data analysis. The insights gained from this research contribute significantly to the field of environmental science, offering a reliable methodological approach for enhancing the accuracy of microclimate models in agroforestry, thereby facilitating informed decision-making for sustainable ecosystem management.
Deteksi Covid-19 pada Citra Sinar-X Dada Menggunakan Deep Learning yang Efisien Yudistira, Novanto; Widodo, Agus Wahyu; Rahayudi, Bayu
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 6: Desember 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020763651

Abstract

Deteksi Covid-19 merupakan tahapan penting untuk mengenali secara dini pasien terduga Covid-19 sehingga dapat dilakukan langkah lanjutan. Salah satu cara pendeteksian adalah melalui citra sinar-x paru. Namun demikian, selain dibutuhkan suatu model algoritma yang dapat menghasilkan akurasi tinggi, komputasi yang ringan merupakan hal yang dibutuhkan sehingga dapat diaplikasikan dalam alat pendeteksi. Model deep CNN dapat melakukan deteksi dengan akurat namun cenderung memerlukan penggunaan memori yang besar. CNN dengan parameter yang lebih sedikit dapat menghemat storage maupun penggunaan memori sehingga dapat berproses secara real time baik berupa alat pendeteksi maupun sistem pengambilan keputusan via cloud. Selain itu, CNN dengan parameter yang lebih kecil juga dapat untuk diaplikasikan pada FPGA dan perangkat keras lainnya yang mempunyai kapasitas memori terbatas. Untuk menghasilkan deteksi COVID-19 pada citra sinar-x paru yang akurat namun komputasinya juga ringan, kami mengusulkan arsitektur CNN kecil namun handal dengan menggunakan teknik pertukaran channel yang disebut ShuffleNet. Dalam penelitian ini, kami menguji dan membandingkan kemampuan ShuffleNet, EfficientNet, dan ResNet50 karena mempunyai jumlah parameter yang lebih kecil dibanding CNN pada umumnya seperti VGGNet atau FullConv yang menggunakan lapisan konvolusi secara penuh namun mempunyai kemampuan deteksi yang mumpuni. Kami menggunakan 1125 citra sinar-x dan mencapai akurasi 86.93 % dengan jumlah parameter model yang 18.55 kali lebih sedikit dari EfficientNet dan 22.36 kali lebih sedikit dari ResNet50 untuk mendeteksi 3 kategori yaitu Covid-19, Pneumonia, dan normal melalui uji 5-fold crossvalidation. Memori yang diperlukan oleh masing-masing arsitektur CNN tersebut untuk melakukan sekali deteksi berhubungan secara linier dengan jumlah parameternya dimana ShuffleNet hanya memerlukan memori GPU sebesar 0.646 GB atau 0.43 kali dari ResNet50,  0.2 kali dari EfficientNet, dan 0.53 kali dari FullConv. Lebih lanjut, ShuffleNet melakukan deteksi paling cepat yaitu sebesar 0.0027 detik.AbstractCovid-19 detection is an important step in identifying early patients with suspected Covid-19 so that further steps can be taken. One way of detection is through pulmonary x-ray images. However, besides requiring an algorithm model that can produce high accuracy, lightweight computation is needed so that it can be applied in a detector. The deep CNN model can detect accurately but tends to require large memory usage. CNN with fewer parameters can save storage and memory usage so that it can process in real time both in the form of detection devices and decision-making systems via the cloud. In addition, CNN with smaller parameters can also be applied to FPGA and other hardware that have limited memory capacity. To produce accurate COVID-19 detection on x-ray images with lightweight computation, we propose a small but reliable CNN architecture using a channel shuffle technique called ShuffleNet. In this study, we tested and compared the capabilities of ShuffleNet, EfficientNet, and ResNet because they have a smaller number of parameters than usual deep CNN, such as VGGNet or FullConv which uses a full convolution layers with a robust detection capability. We used 1125 x-ray images and achieved an accuracy of 86.93% with a number of model parameters of 18.55 times less than EfficientNet and 22.36 times less than ResNet50 to detect 3 categories namely Covid-19, Pneumonia, and normal through the 5-fold cross validation. The memory required by each CNN architecture to perform one detection is linearly related to the number of parameters where ShuffleNet only requires GPU memory of 0.646 GB or 0.43 times that of ResNet50, 0.2 times of EfficientNet, and 0.53 times of FullConv. Furthermore, ShuffleNet performs the fastest detection at 0.0027 seconds.
Klasifikasi Aktivitas Manusia Menggunakan Algoritme Computed Input Weight Extreme Learning Machine dengan Reduksi Dimensi Principal Component Analysis Irwanto, M. Sofyan; Bachtiar, Fitra A.; Yudistira, Novanto
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 9 No 6: Desember 2022
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2022965504

Abstract

Salah satu bidang penelitian yang sangat penting yaitu pengenalan aktivitas manusia secara otomatis dikarenakan potensi penerapannya di berbagai bidang lain seperti pengawasan, lingkungan cerdas, maupun kesehatan. Dari berbagai pendekatan yang pernah dilakukan untuk mengenali aktivitas manusia, teknik berbasis sensor diketahui lebih unggul daripada teknik lain seperti teknik berbasis visi komputer. Teknik berbasis sensor juga dapat dilakukan menggunakan ponsel cerdas, namun penggunaan ponsel cerdas memiliki kekurangan dalam melakukan komputasi algoritme yang kompleks. Apalagi, data hasil ekstraksi fitur dari sinyal yang ditangkap oleh sensor memiliki dimensi yang tinggi. Sehingga, diperlukan sebuah metode untuk mengurangi dimensi fitur dari data, serta melakukan klasifikasi terhadap data tersebut dengan cepat dan tepat. Salah satu metode yang dapat digunakan untuk mengurangi dimensi fitur dari sebuah data adalah Principal Component Analysis (PCA), dan salah satu metode klasifikasi yang dapat digunakan adalah Computed Input Weight Extreme Learning Machine (CIW-ELM). Oleh karena itu, penelitian ini akan menggunakan kedua metode tersebut untuk melakukan klasifikasi pada aktivitas sederhana seperti berjalan, menaiki tangga, menuruni tangga, duduk, berdiri, dan berbaring. Pada penelitian ini juga dilakukan pemilihan hyperparameter terbaik pada masing-masing metode menggunakan metode Grid Search Cross Validation. Hyperparameter terbaik yang didapatkan untuk algoritme PCA adalah dengan nilai k = 207, serta untuk algoritme CIW-ELM dengan jumlah hidden neuron = 600 dan fungsi aktivasi sigmoid. Hasil akurasi yang didapatkan pada penelitian ini adalah 0,957 dan rata-rata f-measure sebesar 0,958 dengan waktu pelatihan selama 0,57 detik. Abstract One of the most important research area is automatic human activity recognition due to its potential application in various other fields such as surveillance, smart environment, and healthcare. Based on various approaches that have been used to recognize human activity, sensor-based techniques are known to be superior to other techniques such as computer vision-based techniques. Sensor-based technique can also be performed using smartphones, but smartphone has disadvantages in performing complex alghorithmic computation. Moreover, feature extraction of the data from the signal captured by the sensor has high dimensions. So, we need a methods to reduce the feature dimensions of the data, and classify the data quickly and accurately. One of the method that can be used to reduce the feature dimensions of data is Principal Component Analysis (PCA), and one of the classification methods that can be used is Computed Input Weight Extreme Learning Machine (CIW-ELM). Therefore, this study will use both methods to classify simple activities such as walking, walking upstairs, walking downstairs, sitting, standing, and laying. In this study, the selection of the best hypeparameter for each method was also carried out using Grid Search Cross Validation. The best hyperparameter obtained for the PCA algorithm is with a value of k = 207, and for the CIW-ELM algorithm with the number of hidden neurons = 600 and the sigmoid activation function. The accuracy results obtained in this study were 0,957 and the f-measure average were 0,958 with a training time of 0,57 seconds.
Perbandingan Prediksi Penggunaan Listrik dengan Menggunakan Metode Long Short Term Memory (LSTM) dan Recurrent Neural Network (RNN) Selle, Nurfatima; Yudistira, Novanto; Dewi, Candra
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 9 No 1: Februari 2022
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2022915585

Abstract

Energi listrik telah menjadi salah satu kebutuhan yang sangat penting dan membantu kehidupan manusia di era modern saat ini. Energi listrik yang tidak dapat disimpan dalam waktu yang lama dan harus dapat selalu tersalurkan menyebabkan penyedia energi listrik harus dapat mampu menyediakan energi listrik dengan tepat. Oleh karena itu, diperlukan sebuah sistem yang mampu melakukan prediksi terhadap penggunaan listrik dengan memanfaatkan data historis penggunaan listrik sebelumnya. Sehingga PT. PLN selaku penyedia energi listrik harus dapat mampu menyesuaikan jumlah listrik yang harus disediakan dengan permintaan kebutuhan pelanggan. Penelitian ini menggunakan metode Recurrent Neural Network (RNN) dan Long Short Term Memory (LSTM) yang merupakan metode pembelajaran deep learning. Kedua metode ini mampu mengolah data dan melakukan prediksi dengan format data time series. Proses implementasi yang dilakukan yaitu normalisasi data, transformasi data, pembangunan model, training, testing, denormalisasi, dan pengujian hasil prediksi menggunakan Root Mean Square Error (RMSE). Berdasarkan penerapan metode LSTM dan pengujian pada fitur data siang dan malam, didapatkan kondisi terbaik pada penggunaan untuk fitur data siang dengan panjang sequence 20, hidden size 8, 3 LSTM layer, dan 70% data training menghasilkan rata-rata RMSE 46,72, sedangkan untuk fitur data malam didapatkan panjang sequence 30, hidden size 8, 1 LSTM layer, dan 80% data training menghasilkan rata-rata RMSE 51,05. Perbandingan antar RNN dan LSTM menghasilkan LSTM mampu menghasilkan kinerja yang lebih baik pada penggunaan deret waktu yang lebih panjang. AbstractElectrical energy has become one of the most important needs and helped human life nowadays. The electrical energy that cannot be stored for a long time and must always be distributed leads to an obligation for electricity providers to provide appropriate electrical energy. Therefore, we need a system that can predict the use of electricity by leveraging historical data on previous electricity usage. It aims that PT. PLN as a provider of electrical energy can able to adjust the amount of electricity that must be provided with the demands of customer needs. Our method uses are Recurrent Neural Network (RNN) and Long Short Term Memory (LSTM), which is a deep learning architecture that able to capture time-series data. The process of implementing system is data normalization, data transformation, model building, training, testing, denormalization, and testing the prediction results using the Root Mean Squared Error (RMSE). Based on the experiments on day and night data features, the best conditions were obtained at the use for daylight data features with a sequence length of 20, hidden size of 8, 3 LSTM layers, and 70% data training resulted in an average RMSE of 46.72.  For the night data feature, the best result was achieved with the sequence length of 30, hidden size of 8, 1 LSTM layer, and 80% of training data resulting in an average RMSE of 51.05. Comparison between RNNs and LSTM shows LSTM capable of producing better performance when the longer time series is incorporated.
Pengenalan Aktivitas Manusia Menggunakan Sensor Akselerometer dan Giroskop pada Smatphone dengan Metode K-Nearest Neighbor Arifien, Zainal; Bachtiar, Fitra Abdurrahman; Yudistira, Novanto
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 9 No 1: Februari 2022
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2022915593

Abstract

Pengenalan aktivitas manusia atau Human Activity Recognition (HAR) merupakan salah satu topik yang populer karena besarnya peluang untuk diterapkan di kehidupan sehari-hari. Tujuan dari pengenalan ini adalah untuk mengenali, mendeteksi, dan mengklasifikasikan aktivitas yang dilakukan manusia. Pengenalan aktivitas manusia adalah salah satu teknologi penting untuk memantau dinamisme seseorang sehingga dapat bermanfaat di berbagai hal. Selain untuk menjaga kesehatan, pencegahan penyakit, dan membantu menentukan jenis olah raga, HAR dapat dimanfaatkan juga untuk diterapkan pada bidang keamanan dan pengembangan teknologi. Penelitian ini menggunakan smartphone sebagai teknologi utama dalam memperoleh data dengan memanfaatkan sensor akselerometer dan giroskop yang telah tertanam di dalamnya. Terdapat 8 macam aktivitas yang diteliti dengan kombinasi lama waktu eksperimen 5, 10, dan 15 detik serta posisi smartphone dipegang bebas maupun di dalam saku celana kanan. Data yang diperoleh terdiri dari 3 sumbu (x, y, dan z) pada setiap sensor yang digunakan. Data tersebut kemudian melalui proses pengolahan dan klasifikasi menggunakan algoritme k-Nearest Neighbor (k-NN). Hasil akurasi yang didapat dalam penelitian ini mencapai 79,56%. Hasil yang diperoleh melalui penelitian ini menunjukkan bahwa perbedaan peletakan smartphone mempengaruhi hasil pengenalan aktivitas manusia secara stabil. Selain itu, perbedaan jumlah data akibat perbedaan lamanya waktu eksperimen dapat mengakibatkan perbedaan lamanya waktu komputasi. Penelitian ini menjadi penting karena hasilnya dapat menjadi batu loncatan bagi penelitian selanjutnya. Beberapa peluang pengembangan juga dilampirkan pada bagian akhir. AbstractHuman activity recognition (HAR) is one of the most popular topics because of the large opportunities for its application in life. The purpose of HAR is to recognize, detect and classify human activities. Human activity recognition is one of the important technologies for monitoring a person's dynamism so that it can be utilized in various ways. Apart from maintaining health, preventing disease, and helping determine the type of exercise, HAR can also be used to be applied in the field of security and technological developments. This study uses smartphones as the main technology in obtaining data by utilizing the built-in accelerometer and gyroscope sensors. There are 8 types of activities studied with a combination of 5, 10, and 15 seconds of experimental time and the position of the smartphone is carried freely or in the right trouser pocket. The data obtained consists of 3 axes (x, y, and z) on each sensor used. The data then processed and classified using the k-Nearest Neighbor (k-NN) algorithm. The accuracy results obtained in this study reaches 79.56%. The results obtained through this study indicate that differences in smartphone placement affect the results of human activity recognition stably. In addition, differences in the amount of data due to differences in the length of the experiment period can result in differences in the length of computation time. This research is important because the results can be used as material for further research assistance. Some development opportunities are also attached at the end. 
Identifikasi Gagal Ginjal Kronis dengan Mengimplementasikan Metode Support Vector Machine beserta K-Nearest Neighbour (SVM-KNN) Akbar, Alvin Tarisa; Yudistira, Novanto; Ridok, Achmad
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 2: April 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.20236059

Abstract

Ginjal merupakan bagian vital bagi manusia karena berfungsi untuk menyaring atau membersihkan cairan yang kita minum agar dapat dikonsumsi oleh tumbuh secara normal. Gagal ginjal adalah situasi dimana ginjal mengalami penurunan funsionalnya secara terus-menerus yang mana dapat mengakibatkan ketidakmampuan ginjal untuk berfungsi untuk semestinya. Untuk membantu pasien yang terjangkit penyakit gagal ginjal kronis hal yang terlebih dahulu dilakukan adalah mengindentifikasi penyakit tersebut. Indentifikasi gagal ginjal kronis dengan menggunakan dataset yang dibuat oleh L.Jerlin Rubini dkk. sudah dilakukan dengan berbagai metode klasifikasi, contohnya adalah implementasi metode klasifikasi Support Vector Machine (SVM) dan K-Nearest Neighbour (KNN). Salah satu kelemahan dari SVM adalah bila data terlalu dekat dengan hyperplane adanya potensi untuk salah mengklasifikasi. Lalu salah satu kelemahan dari KNN adalah berpotensi mengalami penuruan akurasi bila nilai k terlalu tinggi atau terlalu rendah yang mana masing-masing mengakibatkan banyaknya noise data atau terlalu kecil data yang digunakan sebagai pembanding. Untuk penelitian ini, kami mengimplementasikan penggabungan metode SVM dengan KNN yang dikenal dengan SVM-KNN yang menggunakan optimasi Simplified Sequential Minimal Optimization (Simplified SMO). Metode ini mencoba untuk menutupi kelemahan dari SVM dan KNN. Penelitian ini melakukan percobaan pada beberapa nilai parameter yang digunakan untuk mendapatkan akurasi pada metode klasifikasi SVM-KNN terbaik.  Parameter yang diuji adalah cost, tolerance, gamma, dan bias pada metode SVM, parameter k pada metode KNN, serta parameter miu pada metode SVM-KNN. Nilai rata-rata akurasi terbaik didapatkan dengan menggunakan SVM-KNN dengan nilai 94,25% dan terbukti lebih baik dari pada SVM dengan 94,09% dan KNN dengan 91,73%. AbstractKidneys are a vital part for humans because they function to filter or clean the fluids we ingest so that they can be consumed safely. Kidney failure is a situation where the kidneys experience a continuous decline in function which can result in the inability of the kidneys to function properly. To help patients with chronic kidney failure, the first thing to do is to identify the disease. Identification of chronic kidney failure using the dataset created by L.Jerlin Rubini et. al. had been tested with various classification methods, for example the implementation of the Support Vector Machine (SVM) and K-Nearest Neighbor (KNN). One of the weaknesses of SVM is that if the data is too close to the hyperplane there is the potential for misclassification. Then one of the weaknesses of KNN is that it has the potential to experience a decrease in accuracy if the value of k is too high or too low which results in a lot of noise data or too little data used as a comparison respectively. For this research, we implemented a hybrid of SVM with KNN known as SVM-KNN which was optimized using Simplified Sequential Minimal Optimization (Simplified SMO). This study conducted experiments on several parameter values used to obtain the best accuracy in SVM-KNN. The parameters tested are cost, tolerance, gamma, bias on SVM, parameter k on KNN, and miu on SVM-KNN. The average value of accuracy was obtained using SVM-KNN with 94.25% and proved better than SVM with 94.09% and KNN with 91.73%.
Penerapan Deep Convolutional Generative Adversarial Network Untuk Menciptakan Data Sintesis Perilaku Pengemudi Dalam Berkendara Stephen Lui, Michael; Abdurrachman Bachtiar, Fitra; Yudistira, Novanto
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 5: Oktober 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2023106978

Abstract

Kecelakaan kendaraan adalah salah satu penyebab kematian tertinggi di Indonesia. Salah satu solusi untuk mencegah kecelakaan adalah dengan menggunakan sensor eksternal untuk mendeteksi kondisi jalan. Namun, penyebab utama kecelakaan adalah kelalaian pengemudi ketika mengemudi yang tidak dapat terdeteksi oleh sensor eksternal. Sensor visual dapat mendeteksi perilaku pengemudi di dalam kendaraan. Penggunaan sensor visual memiliki performa yang lebih baik ketika menggunakan metode deep learning. Salah satu metode untuk meningkatkan performa metode deep learning adalah dengan menggunakan data sintesis hasil model generatif sebagai tambahan data. Deep Convolutional Generative Adversarial Network (DCGAN) adalah salah satu model generatif yang menggunakan lapisan konvolusi. DCGAN terdiri dari dua neural network bernama generator dan discriminator yang membentuk hubungan ­zero-sum game. Generator menerima masukan berupa gambar asli dengan tambahan noise sebagai input proses latih secara unsupervised, menghasilkan gambar sintesis, sedangkan discriminator menerima gambar asli dan gambar sintesis sebagai input dan menghitung keaslian gambar yang selanjutnya digunakan sebagai nilai loss dengan fungsi loss Binary Cross Entropy. Arsitektur DCGAN terdiri dari beberapa transposed convolutional layer dengan batch normalization dan fungsi aktivasi ReLU dan fungsi aktivasi Tanh sebagai output layer pada generator dan beberapa convolutional layer dengan batch normalization dan fungsi aktivasi Leaky ReLU dan fungsi aktivasi Sigmoid sebagai output layer pada discriminator. Dataset yang digunakan pada penelitian ini adalah dataset ISDDS perilaku umum pengemudi yang dikumpulan pada skenario simulasi dengan jumlah dua ribu gambar. Hasil pengujian menemukan bahwa nilai hyperparameter dapat menghasilkan gambar sintesis perilaku pengemudi di dalam kendaraan yang baik dengan nilai FID sebesar 274,16 pada learning rate discriminator pada 0,0001, β1 discriminator pada 0,8005, learning rate generator pada 0,0017, β1 generator pada 0,1138 selama 43 epoch dengan menggunakan optimizer Adam pada generator dan discriminator.   Abstract Vehicle crash is one of the leading causes of death in Indonesia. One of the solutions to prevent vehicle crash is by using external sensor to detect road condition. Yet, most crash happened because of driver distraction, which is hard to detect using external sensor. Visual sensor can be used to detect driver activity inside vehicle. Visual sensor that uses deep learning method performs well. One way to increase deep learning method performance is by using additional synthesis data made by generative model. Deep Convolutional Generative Adversarial Network (DCGAN) is a generative model that uses convolution layer. DCGAN consists of two neural networks titled generator and discriminator which create zero-sum game relationship. Generator will receive real image with added noise as input of unsupervised training process, creating synthetic image, while discriminator will receive real image and synthetic image as input and calculate the realness of those image which will be used as loss value with Binary Cross Entropy loss function. The Architecture of DCGAN is composed of multiple transposed convolutional layers with batch normalization and activation function ReLU and activation function Tanh as output layer in generator and multiple convolutional layers with batch normalization and activation function Leaky ReLU and activation function Sigmoid as output layer in discriminator. Dataset used in this research is primary dataset of common driver activity collected in simulation scenario with the size of two thousand images. Experiment result shows that DCGAN is able to create good image synthesis of driver activity inside vehicle with FID of 274,16 using hyperparameter consisting of learning rate discriminator at 0,0001, β1 discriminator at 0,8005, learning rate generator at 0,0017, β1 generator at 0,1138 for 43 epochs by using Adam optimizer on generator dan discriminator.
Co-Authors Abdurrachman Bachtiar, Fitra Abel Filemon Haganta Kaban Achmad Basuki Achmad Ridok Adam Hendra Brata Adhi Setiawan Aditama, Gustian Agi Putra Kharisma Agus Wahyu Widodo Agus Wahyu Widodo Agus Wahyu Widodo, Agus Wahyu Akbar, Alvin Tarisa Al Huda, Fais Aldi Fianda Putra Alfen Hasiholan Almasyhur, Muhammad Bin Djafar Alwan, Muhammad Fajrul Amin, Muhammad Basil Musyaffa Anarya Indika Putra Andina, Sherla Puspa Anggraheni, Hanna Shafira Annisa Sukmawati Apriyanti -, Apriyanti Ardhani, Luthfi Afrizal Ardhanto, Riyadh Ilham Arifandis Winata Arifien, Zainal Asmani, Wahayu Widyaning Austin, Yehezkiel Stephanus Bahrur Rizki Putra Surya Bana Falakhi Bayu Rahayudi Budi Darma Setiawan Caesar Rio Anggina Toruan Cahyo Prayogo, Cahyo Candra Dewi Cevita Detri Intan Suryaningrum Chindy Aulia Sari Christopher, Juan Young Darmawan, Abizard Hashfi Darmawan, Hanif Daud, Nathan Daut Daman Dewa Gede Trika Meranggi Dhaifullah, Afif Naufal Dhifan Diandra H Didik Suprayogo Dytha Suryani Edy Santoso Edy Santoso Elmira Faustina Achmal Eriq Muhammad Adams Jonemaro Fadhil Yusuf Rahadika Fadhil Yusuf Rahadika Fadhil Yusuf Rahadika Fahmi Achmad Fauzi Fajrina, Julia Nur Fathina Atsila F Fauzi, Muhammad Rifqi Firhan Fauzan Hamdani Fitra Abdurrachman Bachtiar Griselda Anjeli Sirait Griselda Anjeli Sirait Hafshah Durrotun Nasihah Hakim, Gibran Hakim, Sulthan Abiyyu Hanum, Assyfa Rasida Haris, Asmuni Harlan, Fajri Rayrahman Hawari, Rahmada Zulvia Azzahra Hermanto, Putri Tsania Maulidia Heru Nurwarsito Huda, Fais Al Hutamaputra, William Ikhwanul Kiram, Muh Zaqi Imam Cholissodin Indriati Indriati Iqra Ilhamsyah Irfan Ardiansyah Irfannanto, Adimas Irfano, Haikal Irwanto, M. Sofyan Izzatul Azizah Jauhar Bariq Rachmadi Javier Ardra Figo Karina Amadea Katrina Puspita Kevin Nadio Dwi Putra Khalid Rahman Khoirullah, Habib Bahari Krisnabayu, Rifky Yunus Kurnia Fakhrul Izza Kurnianingtyas, Diva Lailil Muflikhah Laksono, Khansa Salsabila Sangdiva Larasati, Saqina Salsabila Lutfi, Raniyah Mahardika, Mohammad Alfiano Rizky Manurung, Daniel Geoffrey Marasitua, Wahyu Valentino Marji Marpaung, Veronika Oktafia Maulana Ahmad Maliki Maulana, Muhammad Taufik Mawarni, Marrisaeka Meilinda Dwi Puspaningrum Michael David Muh. Arif Rahman Muhammad Rizaldi Muhammad Rizaldi Muhammad Tanzil Furqon Muhammad Zaini Rahman Natanniel Eka Christyanto Naufal, Muhammad Jilan Niluh Putu Vania Dyah Saraswati Nisa, Lisa N. Nisa, Septia Khoirin Novianti, Siska Nurannisa, Nadhira Oakley, Simon Pangondian, Yosia Permadhi, Raditya Atmaja Satria Pinasthika, Mohammad Ryan Prais Sarah Kayaningtias Prasetia, Anugrah Prayata, Rakan Fadhil Putra Pandu Adikara Putra, Octo Perdana Putri, Rania Aprilia Dwi Setya Putri, Salwa Cahyani Qurrata Ayuni Rahmadi, Anang Bagus Rahman, Muhammad Arif Raihan Hanif F RAMADHAN, ADITYA RIZKY Randy Cahya Wihandika Renata Rizki Rafi' Athallah Rian Nugroho Rilinka Rilinka Rishani Putri Aprilli Rizal Setya Perdana Rizky, Audhinata Bebytama RR. Ella Evrita Hestiandari Sabriansyah Rizqika Akbar, Sabriansyah Sahirah, Rafifa Addin Saputra, Kylix Eza Sastomo, Yogi Puji Selle, Nurfatima Setyawan Purnomo Sakti Sholeh, Mahrus Stephen Lui, Michael Sugihdharma, Joseph Ananda Sukma, Lintang Cahyaning Sulthon Akhdan G Suprapto Suprapto Sutrisna, Naufal Putra Syafira, Putri Amanda Tampubolon, Agustinus Parasian Thiodorus, Gustavo Timothy Bastian Sianturi Usfita Kiftiyani Vasya, Muhammad Azka Obila Wa Ode May Zhara Averina Wahyu Taufiqurrahman, Rayhan Waludi, Ikbal Wayan Firdaus Mahmudy Wulandari, Rafifah Ayud Yuita Arum Sari Yuita Arum Sari Zetha, Ivykaeyla Adriana