Article Per Year (5 Year)
p-Index From 2020 - 2025
3.27
P-Index
This Author published in this journals
All Journal Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Progresif: Jurnal Ilmiah Komputer Jurnal JTIK (Jurnal Teknologi Informasi dan Komunikasi) Aiti: Jurnal Teknologi Informasi Infotek : Jurnal Informatika dan Teknologi Jurasik (Jurnal Riset Sistem Informasi dan Teknik Informatika) REKA ELKOMIKA: Jurnal Pengabdian kepada Masyarakat Bulletin of Computer Science Research Journal of Information Technology (JIfoTech) Jurnal Informatika Teknologi dan Sains (Jinteks) Malcom: Indonesian Journal of Machine Learning and Computer Science SmartComp SAINTEK Infact: Jurnal Sains dan Komputer Kesatria : Jurnal Penerapan Sistem Informasi (Komputer dan Manajemen) UPGRADE: Jurnal Pendidikan Teknologi Informasi
Agustinus Rudatyo Himamunanto
Universitas Kristen Immanuel
Automotive Engineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Other

Published : 28 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search
Journal : Progresif: Jurnal Ilmiah Komputer

 1 
Analisis Performa Metode Yolo Untuk Deteksi Hyperlipidemia Berdasarkan Klasifikasi Citra Corneal Arcus Supriadi, Joseph; Himamunanto, Agustinus Rudatyo; Budiati, Haeni
Progresif: Jurnal Ilmiah Komputer Vol 20, No 2: Agustus 2024
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v20i2.2088

Abstract

Hyperlipidemia is a medical condition with high blood lipid levels that increase the risk of cardiovascular disease. A physical indicator of hyperlipidemia is Corneal Arcus, a white ring around the cornea. This study analyzes the ability of the YOLO (You Only Look Once) method to detect and classify Corneal Arcus in eye images. The dataset consists of 348 eye images in three categories: normal, at-risk, and Corneal Arcus. Results show the YOLO model achieved 88.9% accuracy in detecting Corneal Arcus, with precision, recall, F1-score, and mean average precision (MAP) of 88.9%, 89.2%, 88.8%, and 88.9%, respectively. These findings indicate significant potential for the YOLO method in technical applications within informatics. Although not yet validated for medical use, this research aims to share basic scientific ideas.Keywords: YOLO; Hyperlipidemia; Corneal Arcus; Image Classification AbstrakHyperlipidemia adalah kondisi medis dengan kadar lipid darah tinggi yang meningkatkan risiko penyakit Kardiovaskular. Indikator fisik hyperlipidemia adalah Corneal Arcus, cincin putih di sekitar kornea. Penelitian ini menganalisis kemampuan metode YOLO (You Only Look Once) dalam mendeteksi dan mengklasifikasikan Corneal Arcus pada citra mata. Dataset terdiri dari 348 gambar mata dalam tiga kategori: normal, berisiko, dan Corneal Arcus. Hasil menunjukkan model YOLO mencapai akurasi 88,9% dalam mendeteksi Corneal Arcus, dengan presisi, recall, F1-score, dan mean average precision (MAP) masing-masing sebesar 88,9%, 89,2%, 88,8%, dan 88,9%. Temuan ini menunjukkan potensi besar metode YOLO dalam aplikasi teknis di bidang informatika. Meskipun belum tervalidasi untuk penggunaan medis, hasil ini bertujuan untuk membagikan ide ilmiah dasar.Kata kunci: YOLO; Hyperlipidemia; Corneal Arcus; Klasifikasi Citra;
Pengembangan YOLO untuk Mengunci Sebuah Obyek Telapak Tangan Diantara Sejumlah Objek Seragam Himamunanto, Agustinus Rudatyo; Zalukhu, Jean Pinter Son
Progresif: Jurnal Ilmiah Komputer Vol 20, No 2: Agustus 2024
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v20i2.2409

Abstract

The hand is one part of the body that is often used in daily human activities. Nowadays, in line with the development of digital technology and computing technology, the role of hands has the potential to become even wider. Hands can potentially be used to model operational facilities or control input models for a device. Problems arise if more than one visual of a hand is captured by the camera. This has the potential to cause ambiguity due to the emergence of multiple hand gesture control input models. It is necessary to lock or tag the original hand control input model in such a way that the other hand can be ignored. In this research, the Google Media Pipe Hand (GMPH) framework is used to mark the hand area based on the input image and the YOLO framework will work to recognize the hand with a marker, which will lock the marked hand between the visuals of other hands. Based on test results involving 800 test data in the form of video data with visual images of one hand gesture or more than one hand gesture image, it is known that the results of the YOLO modification show success with an accuracy of 97.5%.Keywords: Hand; Markers; Google Media Pipe Hand; YOLO Framework AbstrakTangan merupakan salah satu anggota tubuh yang cukup sering dipergunakan dalam keseharian aktifitas manusia. Dewasa ini sesuai dengan perkembangan teknologi digital dan teknologi komputasi maka peran tangan berpotensi menjadi lebih luas lagi. Tangan berpotensi dipergunakan untuk model sarana operasional atau model input kendali terhadap suatu perangkat. Permasalahan muncul bila suatu visual tangan yang tertangkap oleh kamera   berjumlah lebih dari satu. Hal ini berpotensi menimbulkan ambigu karena munculnya model input kendali gestur tangan ganda. Perlu dilakukan proses penguncian atau penandaan pada satu model input kendali tangan yang asli sedemikian rupa sehingga tangan yang lain dapat diabaikan. Pada peelitian ini, framework Google Media Pipe Hand (GMPH) dipergunakan untuk menandai area tangan berdasarkan citra input dan framework YOLO akan bekerja untuk mengenali tangan dengan marker, yang akan megunci tangan bermarker diantara visual tangan yang lain. Berdasarkan hasil pengujian yang melibatkan 800 data uji berupa data video dengan visual citra satu gestur tangan maupun lebih dari satu citra gestur tangan, diketahui bahwa hasil modifikasi YOLO menunjukkan keberhasilan dengan akurasi 97,5%.Kata kunci: Tangan; Marker; Google Media Pipe Hand; Framework YOLO 
Uji Performa Metode Komposisi Eigenface-CNN Pada Model Biometric Mobile App Debora, Agnes Monica; Himamunanto, Agustinus Rudatyo; Setyawan, Gogor Chrismass
Progresif: Jurnal Ilmiah Komputer Vol 20, No 2: Agustus 2024
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v20i2.2117

Abstract

The development of information and communication technology has increased the need for more secure and efficient authentication systems on mobile devices, given the growing cases of data breaches and identity theft. This research employs the Eigenface-CNN composition method to enhance the performance of biometric authentication models. The Eigenface method uses Principal Component Analysis (PCA) to reduce data dimensions and extract key features from facial images, while CNN is used to identify more complex facial features. The results show that this method can recognize faces with high accuracy, achieving an average confidence value of 87.95% and a highest value of 97.53%. It also demonstrates robustness against variations in lighting and facial poses. These findings suggest that the Eigenface-CNN composition method is feasible for implementation in biometric authentication systems on mobile devices, thereby enhancing user security and convenience.Kata kunci: Face Recognition; Eigenface; CNN; Biometric AbstrakPerkembangan teknologi informasi dan komunikasi telah meningkatkan kebutuhan akan sistem autentikasi yang lebih aman dan efisien pada perangkat mobile, mengingat kasus kebocoran data dan pencurian identitas yang semakin marak. Penelitian ini menggunakan metode komposisi Eigenface-CNN untuk meningkatkan performa model autentikasi biometrik. Metode Eigenface menggunakan analisis komponen utama (PCA) untuk mereduksi dimensi data dan mengekstraksi fitur utama dari citra wajah, sementara CNN digunakan untuk mengidentifikasi fitur wajah yang lebih kompleks. Hasil penelitian menunjukkan bahwa metode ini mampu mengenali wajah dengan akurasi tinggi, dengan nilai confidence rata-rata mencapai 87.95% dan nilai tertinggi 97.53%, serta menunjukkan ketahanan terhadap variasi pencahayaan dan pose wajah. Temuan ini menunjukkan bahwa metode komposisi Eigenface-CNN layak diimplementasikan dalam sistem autentikasi biometrik pada perangkat mobile untuk meningkatkan keamanan dan kenyamanan pengguna.Kata kunci: Pengenalan Wajah; Eigenface; CNN; Biometrik
Co-Authors Ama, Marniati Triningsi Tamo Bolo, Naomi Tena Budet, Vincensa Woytimena Budiati, Heni Chrisdyanto, Daniel Nourman Dangga, Nofrilia Debora, Agnes Monica Deona Carol Gerjana Rijke Saijuna Desri A.F. Waruwu Erwin Oktaf Kurniawan Waruwu Febe Maedjaja Gea, Juli Hartati Gogor Christmass Setyawan Gulo, Bintang Karmila Haeni Budiati Haeny Budiati Jatmika Kristian Juri Damai Lase Listra Frigia Missianes Horhoruw Magdalena, Mensiana Nelvina Adonia Niasiska, Niasiska Nurcahyo, Azriel Christian Olam, Enos Nikodemus Samuel Tora Setyawan, Gogor Setyawan, Gogor C. Setyawan, Gogor Chrismass Sumihar, Yo’el Pieter Supriadi, Joseph Susilo, Zefanya Damar Aristo Swasono, Henoch Yanuar Ari Swasono, Natan Enggal Tasane, Elshaddai L Wanda, Melifan Zalukhu, Jean Pinter Son Zalukhu, Talenta Teholi