Article Per Year (5 Year)
p-Index From 2020 - 2025
3.109
P-Index
This Author published in this journals
All Journal Jurnal Edukasi dan Penelitian Informatika (JEPIN) ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika JOURNAL OF ELECTRICAL AND SYSTEM CONTROL ENGINEERING TELKA - Telekomunikasi, Elektronika, Komputasi dan Kontrol JMECS (Journal of Measurements, Electronics, Communications, and Systems) eProceedings of Engineering Jurnal INFOTEL
Nor Kumalasari Caecar Pratiwi
Universitas Telkom
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Materials Science & Nanotechnology

Published : 24 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 24 Documents
Search

 1   2   3 
Deteksi Derajat Kebengkokan Tulang Belakang Berdasarkan Citra Medis Digital Menggunakan Metode Local Binnary Pattern Dan K-nearestneighbor Michael Binson Situmeang; Efri Suhartono; Nor Kumalasari Caecar Pratiwi
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 Salah satu kelainan pada tulang punggung yang terjadi diakibatkan karena adanya kemiringan pada tulang belakang sehingga tulang tidak pada bentuk normalnya atau biasa disebut skoliosis. Skoliosis adalah melengkungnya tulang kearah samping sehingga tulang belakang seolah-olah membentuk huruf “S” atau “C” . Pada penelitian ini, akan dibuat sistem yang dapat mengklasifikasikan kondisi tulang belakang berdasarkan citra pengolahan tulang belakang menjadi tiga jenis yaitu tulang belakang dengan kondisi normal, tulang belakang dengan kelainan dekstrokoliosis atau tulang belakang dengan kelainan levoskoliosis. Pada Tugas Akhir ini akan menggunakan metode Local Binnary Patterns (LBP) dan Algoritma KNearest Neighbor (KNN) sebagai klasifikasinya. Dari hasil pengujian diperoleh akurasi identifikasi terbaik sebesar 65% . Akurasi tersebut diperoleh dari pengujian menggunakan parameter level radius dengan nilai 2, ciri orde satu yang digunakan adalah ciri var,std, dan mean pada metode ekstraksi ciri serta nilai K=1 dan skema jarak euclidean. Kata kunci : Tulang Belakang, Local Binnary Patterns (LBP), K-Nearest Neighbor (K-NN). Abstract One abnormality in the spine that occurs is caused by the slope in the spine so that the bone is not in its normal form or commonly called scoliosis. Scoliosis is the curvature of the bone towards the side so that the spine seems to form the letter "S" or "C". In this study, a system will be made that can classify the condition of the spine based on the processing of the spine image into three types, namely the spine with normal conditions, the spine with dextrocoliosis or spinal abnormalities with levoskoliosis abnormalities. In this Final Project will use the method of Local Binnary Patterns (LBP) and K-Nearest Neighbor (KNN) Algorithm as the classification. From the test results obtained the best identification accuracy of 65%. Accuracy was obtained from testing using radius level parameters with a value of 2, the first-order characteristics used were the characteristics of var, std, and the mean in the feature extraction method and the K = 1 value and the euclidean distance scheme. Keywords : Spine, Local Binnary Patterns (LBP), K-Nearest Neighbor (K-NN).
DETEKSI GANGGUAN PARU-PARU BERBASIS CITRA X-RAY MENGGUNAKAN DEEP LEARNING Olyvia Fernanda Soedradjat; Rita Magdalena; Nor Kumalasari Caecar Pratiwi
eProceedings of Engineering Vol 9, No 6 (2022): Desember 2022
Publisher : eProceedings of Engineering

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

Abstract

Abstrak—Severe Acute Respiratory Syndrome Coronavirus 2 (COVID-19) adalah virus yang menyerang sistem pernapasan. World Health Organization (WHO) menyatakannya sebagai penyakit pandemi pada 11 Maret 2020. Virus corona menunjukkan kemiripan gejala dengan Pneumonia dan Tuberkulosis. Adapun gejala yang muncul yaitu sakit tenggorokan, batuk, demam, dan kesulitan dalam bernapas. Metode citra x-ray dada digunakan dalam membantu identifikasi penyakitseperti diagnosis, perawatan, dan pemeriksaan ulang. Berdasarkankan latar belakang tersebut, penulis membuat model sistem deep learning dengan metode Convolutional Neural Network dengan arsitektur Residual Network-34 untuk mengklasifikasikan empat jenis kelas penyakit paru-paru yaitu kelas COVID-19, Normal, Pneumonia, dan Tuberculosis. Masukan sistem berupa citra xray yang terdiri dari 576 citra di setiap kelas. Analisa sistem dilakukan dengan membandingkan pengaruh dari jumlah data latih dengan jumlah data uji, pengujian pre-pocessing, pengujian size input, pengujian menggunakan optimizer yang berbeda yaitu Adam, RMSprop, dan SGD, pengujian jumlah epoch, pengujian learning rate, dan pengujian batch size. Berdasarkan dari penelitian yang telah dilakukan, sistem mampu melakukan klasifikasi penyakit paru-paru menggunakan data hasil pre-processing, dengan size input 50x50, menggunakan perbandingan data latih 80% dan data uji 20%, 100% untuk akurasi pelatihan dan akurasi 95% untuk akurasi pengujian, dengan menggunakan optimizer SGD, learning rate 0.01, epoch 50 dan batch size 16. Kata kunci—Deep Learning, Convolutional Neural Network, Python, Chest X-Ray, dan ResNet-34
Klasifikasi Jenis Kulit Wajah Menggunakan Modifikasi Convolutional Neural Network (CNN) Dwi Hardina Aprilia Sari; Sofia Sa'idah; Nor Kumalasari Caecar Pratiwi
eProceedings of Engineering Vol 9, No 6 (2022): Desember 2022
Publisher : eProceedings of Engineering

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

Abstract

Abstrak—Kulit adalah bagian terluar dari tubuh manusia yang memiliki fungsi penting. Selain berfungsi untuk melindungi organ di dalamnya dan menjaga kesehatan tubuh, kulit wajah utamanya memiliki nilai estetika yang memerlukan perawatan khusus. Untuk itu sebagai langkah untuk merawat kulit wajah, dibutuhkan pengetahuan tentang jenis kulit wajah. Pada penelitian ini dibangun sebuah sistem untuk mengklasifikasikan empat jenis kulit wajah manusia yaitu kulit normal, kulit kering, kulit kombinasi dan kulit berminyak menggunakan Convolutional Neural Network (CNN) dengan arsitektur sederhana yang dimodifikasi untuk mendapatkan ekstraksi ciri yang maksimal. Sejumlah 1560 dataset citra mikroskopis dibagi menjadi 80% data latih dan 20% data validasi. Sistem dirancang dengan menambah layer konvolusi, RelU dan pooling dari arsitektur dasar CNN yang sebelumnya 3 layer, pada penelitian ini dibuat menjadi 5 layer. Sistem yang dirancang ini diuji dalam 5 skenario, untuk mendapatkan nilai parameter yang optimal. Hasilnya sistem pengklasifikasian jenis kulit wajah menggunakan modifikasi CNN ini optimal dengan nilai parameternya sebagai berikut, ukuran resize citra 64×64, optimizer Adam, learning rate 0,0001; epoch 200 dan batch size 64. Dengan mendapatkan akurasi sebesar 99,51% dan loss 0,0048, penelitian ini dapat dikatakan berhasil dengan baik. Kata kunci — convolutional neural network, CNN, jenis kulit wajah, klasifikasi jenis kulit wajah
Skin Cancer Classification Malignant and Benign Using Convolutional Neural Network Nur Alyyu; Ratna Sari; R.Yunendah Nur Fuadah; Nor Kumalasari Caecar Pratiwi; Sofia Saidah
JMECS (Journal of Measurements, Electronics, Communications, and Systems) Vol 9 No 2 (2022): JMECS
Publisher : Universitas Telkom

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/jmecs.v9i2.5724

Abstract

Skin cancer is one of the most deadly cancers. This cancer ranks third after cervical cancer and breast cancer in Indonesia. In detecting skin cancer, a dermatologist can carry out a biopsy. However, carrying out a biopsy requires a long time and preparation. Innovations to classify and detect skin cancer using artificial neural networks are overgrowing in helping doctors so that prompt and appropriate treatment can be carried out. The purpose of this project was to develop a system to classifying skin cancer using Convolutional Neural Networks (CNNs) and the ResNet50 architecture. This research examined the extent of system performance results using accuracy, recall, precision, and f1-score by doing several trials by changing the hyperparameters. The dataset used in this study was obtained online through Kaggle, with two classes, malignant and benign, divided into 80% training data and 20% test data. Based on the testing result, the best hyperparameter system was obtained using AdaMax optimizer, the learning rate was 0.0001, the batch size was 64, and the epoch was 50. In this research, The performance results values were 99% for precission, recall and f1-score. Simulation results show that this method with highly optimized hyperparameters can accurately classify malignant and benign skin cancer.
Early Detection of Deforestation through Satellite Land Geospatial Images based on CNN Architecture Nor Kumalasari Caecar Pratiwi; Yunendah Nur Fu'adah; Edwar Edwar
JURNAL INFOTEL Vol 13 No 2 (2021): May 2021
Publisher : LPPM INSTITUT TEKNOLOGI TELKOM PURWOKERTO

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20895/infotel.v13i2.642

Abstract

This study has developed a CNN model applied to classify the eight classes of land cover through satellite images. Early detection of deforestation has become one of the study’s objectives. Deforestation is the process of reducing natural forests for logging or converting forest land to non-forest land. The study considered two training models, a simple four hidden layer CNN compare with Alexnet architecture. The training variables such as input size, epoch, batch size, and learning rate were also investigated in this research. The Alexnet architecture produces validation accuracy over 100 epochs of 90.23% with a loss of 0.56. The best performance of the validation process with four hidden layers CNN got 95.2% accuracy and a loss of 0.17. This performance is achieved when the four hidden layer model is designed with an input size of 64 × 64, epoch 100, batch size 32, and learning rate of 0.001. It is expected that this land cover identification system can assist relevant authorities in the early detection of deforestation.
Klasifikasi Jenis Beras Berbasis Citra Dengan Menggunakan Deep Learning Chelsya Dwi Marnelius; Koredianto Usman; Nor Kumalasari Caecar Pratiwi
eProceedings of Engineering Vol 10, No 5 (2023): Oktober 2023
Publisher : eProceedings of Engineering

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

Abstract

Beras merupakan salah satu bahan pangan serealiayang paling banyak dikonsumsi oleh masyarakat Asia,termasuk di Indonesia. Setiap beras memiliki kemiripanbentuk bulir dan warna yang relatif hampir sama, sehinggaproses mengidentifikasi jenis beras secara visual dinilai masihcukup sulit, dan untuk mengurangi kemungkinan terjadinyahuman error. Oleh karena itu, pengolahan citra digital dapatdigunakan dalam melakukan klasifikasi jenis berasmenggunakan metode Convolutional Neural Network (CNN)dengan arsitektur Residual Network (ResNet-50).Dataset yang digunakan dalam penelitian ini berjumlah 2500citra yang diperoleh dari website Kaggle, berupa citra bulirberas putih yang terdiri dari 5 kelas yaitu Arborio, Basmati,Ipsala, Jasmine, dan Karacadag. Tahapan diawali denganmelakukan preprocessing yaitu resize ukuran citra dannormalisasi citra, lalu dilakukan pembagian dataset sebagaidata latih dan data uji. kemudian selanjutnya dilakukanekstraksi ciri dan klasifikasi menggunakan kombinasihyperparameter input size, optimizer, learning rate, danbatch size untuk mendapatkan hasil model terbaik.Kemudian di tahap akhir hasil akan dianalisis denganparameter akurasi dan loss.Melalui penelitian ini diperoleh hasil akhir pengujian terbaikpada penggunaan parameter input size 64×64 piksel,optimizer Adam, learning rate 0,001, dan batch size 64,dengan hasil validation accuracy sebesar 98,20% dan loss0,1109.Kata Kunci: jenis beras, CNN, ResNet-50.
Pemanfaatan Convolutional Neural Network (Cnn) Untuk Klasifikasi Jenis Beras Berbasis Citra Victor Aji Admaja Pellokila; Koredianto Usman; Nor Kumalasari Caecar Pratiwi
eProceedings of Engineering Vol 10, No 5 (2023): Oktober 2023
Publisher : eProceedings of Engineering

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

Abstract

Beras merupakan makanan pokok untuk orangAsia, terutama di Indonesia. Untuk melakukan pengolahan padimenjadi beras, ada dua hal yang harus dilakukan yaitu dengancara tradisional seperti ditumbuk dan ada juga seperti caramodern seperti penggilingan menggunakan mesin. Seperti yangdiketahui, banyak jenis beras yang telah beredar di pasaran.Dengan adanya beragam jenis beras yang beredar, tentu jugaada hal yang tidak bisa dilakukan oleh manusia dalammengklasifikasi jenis beras dengan mengandalkan inderapenghilatan saja. Maka dari itu, pengolahan citra digital dapatberperan penting agar dapat memudahkan manusia untukmengklasifikasi jenis beras. Tujuan penelitian ini, untukmengklasifikasikan jenis beras dengan menggunakan metodeConvolutional Neural Network (CNN) arsitektur AlexNetberbasis pengolahan citra. Adapun dataset yang digunakanpada penelitian berjumlah 2500 citra yang bersumber dariKaggle, dimana ada lima jenis beras yang akan diklasifikasikanyaitu beras arborio, beras basmati, beras ipsala, beras jasminedan beras karacadag. Pada penelitian ini parameter yang akandianalisis adalah akurasi, loss, presisi, recall, dan F1-Score. Ditiap pengujian, akan dilakukan empat skenario pengujianterhadap hyperparameter berupa input size, optimizer,learning rate, batch size. Dari pengujian yang telah dilakukandidapatkan hasil terbaik dengan citra asli menggunakan inputsize 128×128, optimizer SGD, learning rate 0.0001, dan batchsize 32. Berdasarkan dari hasil pengujian tersebut, test accuracyyang didapatkan sebesar 98.40% dengan testing loss 0.0659Kata kunci— Jenis Beras, CNN, Deep Learning, AlexNet.
Prediksi Kanker Paru menggunakan Grid search untuk Optimasi Hyperparameter pada Algoritma MLP dan Logistic Regression PRATIWI, NOR KUMALASARI CAECAR; IBRAHIM, NUR; SAIDAH, SOFIA
ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika Vol 12, No 3: Published July 2024
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/elkomika.v12i3.556

Abstract

ABSTRAKKanker paru merupakan penyebab utama kematian akibat kanker di seluruh dunia. Prediksi dini kanker paru-paru telah banyak dilakukan, baik berbasis citra maupun data mentah. Prediksi kanker paru berbasis citra memberikan dampak positif dalam diagnosis dini, namun pendekatan berbasis data mentah juga penting dalam memahami faktor risiko dan kondisi yang dapat mempengaruhi perkembangan kanker. Penelitian ini mengusulkan sistem prediksi dini kanker paru dengan basis data klinis dan demografi, menggunakan Multi-Layer Perceptron (MLP) dan logistic regression dengan pemanfaatan grid search optimizer. Kedua model mencapai tingkat akurasi, presisi, recall, dan f1-score sebesar 1, optimal dalam melakukan prediksi data. Pada logistic regression, solver liblinear, penalty L1, dan nilai C yang lebih tinggi berkontribusi pada peningkatan akurasi. Sedangkan pada MLP, konfigurasi aktivasi tanh dan solver adam menghasilkan akurasi yang lebih baik. Hasil ini memberikan keyakinan implementasi MLP dan logistic regression, memiliki potensi dalam mendukung prediksi kanker paru-paru.Kata kunci: kanker paru, multi-layer perceptron, logistic regression, grid search ABSTRACTLung cancer is a leading cause of cancer-related deaths worldwide. Early prediction of lung cancer has been widely conducted, both based on images and raw data. Image-based lung cancer prediction has a positive impact on early diagnosis, but a raw data-driven approach is also crucial for understanding risk factors and conditions that can influence cancer development. This research proposes an early lung cancer prediction system using clinical and demographic data, employing Multi-Layer Perceptron (MLP) and logistic regression with the utilization of grid search. Both models achieved an accuracy, precision, recall, and f1-score of 1, optimal in classifying data. In logistic regression, the liblinear solver, L1 penalty, and higher C values contributed to increased accuracy. Meanwhile, in MLP, the configuration of tanh activation and adam solver yielded better accuracy. Theseresults instill confidence that the implementation of MLP and logistic regression has significant potential in supporting lung cancer prediction.Keywords: lung cancer, multi-layer perceptron, logistic regression, grid search
Deep Learning untuk Klasifikasi Glaukoma dengan menggunakan Arsitektur EfficientNet PERDANI, WAHYUNI RIZKY; MAGDALENA, RITA; CAECAR PRATIWI, NOR KUMALASARI
ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika Vol 10, No 2: Published April 2022
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/elkomika.v10i2.322

Abstract

ABSTRAKGlaukoma merupakan kerusakan yang terjadi pada saraf mata yang disebabkan oleh meningkatnya tekanan di bola mata. Glaukoma dapat menyebabkan penderitanya mengalami kebutaan permanen. Data dari WHO, jumlah orang yang diperkirakan menjadi buta akibat glaukoma primer adalah 4,5 juta. Penilaian klasifikasi tingkatan glaukoma oleh ophthalmologist menggunakan nilai CDR (Cup to Disc Ratio). Maka dari itu, dibuat sistem yang dapat digunakan dalam mengklasifikasikan glaukoma melalui citra fundus mata dengan menggunakan metode CNN (Convolutional Neural Network) dengan arsitektur EfficientNet. Klasifikasi glaukoma dibagi menjadi 5 kelas, yaitu deep, early, moderate, OHT dan normal. Citra mata yang digunakan didapatkan dari dataset RimOne r1. Penelitian ini mencari sistem dengan performansi terbaik. Model yang mendapatkan parameter performansi terbaik adalah citra dengan hyperparameter optimizer Adamax, learning rate 0,001, epoch 20, dan batch size 32. Akurasi, presisi, recall, dan F1-Score masing-masing mencapai 1,0000.Kata kunci: Glaukoma, Convolutional Neural Network (CNN), EfficientNet ABSTRACTGlaucoma is the optic nerve damage caused by increasing pressure on the eyeball. Glaucoma can cause patients to encounter permanent blindness. According to WHO data, the number of people estimated to be blind from primary glaucoma is 4,5 million. Evaluation of glaucoma grade classification by ophthalmologist uses CDR (Cup to Disc Ratio) value. Therefore, a system has been created that can be used to classify glaucoma through eye fundus images using the CNN (Convolutional Neural Network) method with EfficientNet architecture. Glaucoma is classified into 5 classes, namely deep, early, moderate, OHT and normal. The used eye image is obtained from the RimOne r1 dataset. This research is looking for a system with the best performance. The model that got the best performance parameters with the hyperparameter optimizer Adamax, learning rate 0,001, epoch 20, and batch size 32. Accuracy, precision, recall, and F1-Score each reached 1,0000. Keywords: Glaucoma, Convolutional Neural Network (CNN), EfficientNet
Klasifikasi Tingkat Kematangan Pucuk Daun Teh menggunakan Metode Convolutional Neural Network IBRAHIM, NUR; LESTARY, GITA AYU; HANAFI, FANIESA SAUFANA; SALEH, KHAERUDIN; PRATIWI, NOR KUMALASARI CAECAR; HAQ, MUTHIA SYAFIKA; MASTUR, ADHI IRIANTO
ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika Vol 10, No 1: Published January 2022
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/elkomika.v10i1.162

Abstract

ABSTRAKIndonesia merupakan salah satu negara besar pengekspor teh di dunia. Luasnya area perkebunan teh menyebabkan setiap blok tanam daun teh memiliki waktu petik dan tingkat kematangan yang berbeda. Sehingga salah satu upaya untuk mengetahui tingkat kematangan daun teh yaitu menerapkan sistem otomatisasi menggunakan pengolahan citra digital. Pada penelitian ini dirancang sebuah sistem klasifikasi tingkat kematangan pucuk daun teh dari jenis sampel varietas Assamica Klon (GMB 7) yang yang berada pada Pusat Penelitian Teh dan Kina Gambung. Penelitian ini menerapkan metode pengolahan citra digital dengan algoritma Convolutional Neural Network (CNN) menggunakan Arsitektur VGGNET19 dan ResNet50. Hasil pengujian sistem memperoleh nilai akurasi terbaik sebesar 97.5% dengan menggunakan arsitektur VGGNET19, Optimizer RMSprop, learning rate 0.01, batch size 32 dan epoch 100.Kata kunci: teh, klasifikasi, Convolutional Neural Network, VGGNET19, ResNet50 ABSTRACTIndonesia is one of the major tea exporting countries in the world. The large area of tea plantations causes each tea leaves planting block to have a different picking time and maturity level. So that one of the efforts to determine the maturity level of tea leaves is to apply an automation system using digital image processing. In this study, a classification system for the maturity level of tea leaves design from the Assamica Klon (GMB 7) variety sample located at the Gambung Tea and Quinine Research Center. This study applies a digital image processing method with the Convolutional Neural Network (CNN) algorithm using VGGNET19 and ResNet50 Architecture. The results of the system test obtained the best accuracy value of 97.5% using the VGGNET19 architecture, RMSprop Optimizer, learning rate 0.01, batch size 32 and epoch 100.Keywords: tea, classification, Convolutional Neural Network, VGGNET19, ResNet50
Co-Authors Adhi Irianto Mastur, Adhi Irianto AGUSTINA, REGITA Chelsya Dwi Marnelius Dwi Hardina Aprilia Sari Edwar Efri Suhartono Fadlil Azimi Syafli Febriani Ruming Sari Fitya Nur Fadhilah HANAFI, FANIESA SAUFANA Hanif Chandra Mulya Heri Syahrian, Heri Hurianti Vidya Iwan Iwut Tritoasmoro Jangkung Raharjo KHAERUDIN SALEH Koredianto Usman LESTARY, GITA AYU Michael Binson Situmeang Muhamad Rokhmat Isnaini Muthia Syafika Haq, Muthia Syafika Nur Alyyu Nur Ibrahim Olyvia Fernanda Soedradjat PERDANI, WAHYUNI RIZKY Putra, Akbar Trisnamulya R. Yunendah Nur Fu’adah Ratna Sari Rita Magdalena Sari, Febriani Ruming Sayidina Ariq Farhan Sofia Sa'idah SOFIA SAIDAH Syamsul Rizal Syamsul Rizal Victor Aji Admaja Pellokila Vidya, Hurianti Vitria Puspitasari Rahadi