Article Per Year (5 Year)
p-Index From 2020 - 2025
1.084
P-Index
This Author published in this journals
All Journal Jurnal CoreIT JIEET (Journal of Information Engineering and Educational Technology) JOURNAL OF INFORMATION SYSTEM MANAGEMENT (JOISM) Knowbase : International Journal of Knowledge in Database Journal Of Artificial Intelligence And Software Engineering
Negara, Benny Sukma
Unknown Affiliation
Computer Science & IT Engineering

Published : 8 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 8 Documents
Search

 1 
Deteksi Obyek Manusia Pada Basis Data Video Menggunakan Metode Background Subtraction Dan Operasi Morfologi Umam, Khairul; Negara, Benny Sukma
Jurnal CoreIT: Jurnal Hasil Penelitian Ilmu Komputer dan Teknologi Informasi Vol 2, No 2 (2016): Desember 2016
Publisher : Fakultas Sains dan Teknologi, Universitas Islam Negeri Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1199.349 KB) | DOI: 10.24014/coreit.v2i2.2391

Abstract

Deteksi obyek manusia merupakan salah satu arah penelitian yang penting untuk meningkatkan emampuan sistem pengawasan. Penelitian ini bertujuan untuk merancang suatu program pengolahan citra yang mampu menghitung jumlah obyek pejalan kaki yang terekam di dalam video menggunakan 30 video yang direkam dalam beberapa kondisi yaitu kondisi terang atau siang hari di luar ruangan, di dalam ruangan, dan pada kondisi gelap atau malam hari. Penelitian ini menggunakan Metode background subtraction dan operasi morfologi. Metode Background subtraction dapat mendeteksi subtstraksi pada background dengan mengubah citra menjadi citra biner dan menentukan tingkat kepekaan perubahan pixel background. Operasi morfologi digunakan untuk menghilangkan noise yang dapat mengganggu keberhasilan deteksi pada video. Pada pengujian beberapa sample video yang mewakili beberapa kondisi yaitu terang, gelap, dan di dalam ruangan, diperoleh nilai threshold 0.5, nilai elemen penstruktur operasi opening 3x3, dan nilai elemen penstruktur operasi closing 18x18. Pada pengujian 10 video dalam pencahayaan terang, 8 video yang akurat dengan perhitungan manual, 2 video tidak akurat. Dari 10 video pengujian dalam ruangan, 2 video akurat, dan 8 video tidak akurat. dan dari 10 pengujian video kondisi gelap atau redup, 1 video akurat, dan 9 video tidak akurat.
SISTEM TANYA JAWAB BERBASIS CHATBOT WEBSITE MENGGUNAKAN GEMINI AI PADA DATA FIQIH KONTEMPORER Helviansyah, Try; Harahap, Nazruddin Safaat; Irsyad, Muhammad; Negara, Benny Sukma
Journal of Information System Management (JOISM) Vol. 7 No. 1 (2025): Juni
Publisher : Universitas Amikom Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24076/joism.2025v7i1.2082

Abstract

Teknologi informasi telah memberikan dampak besar pada berbagai aspek kehidupan, termasuk fiqih. Penelitian ini bertujuan mengembangkan Sistem Tanya Jawab Fiqih yang memungkinkan pengguna memperoleh jawaban cepat dan akurat terkait fiqih kontemporer. Sistem ini menggunakan LangChain dan model Gemini-2.0-flash untuk mencari jawaban dari sembilan buku fiqih kontemporer karya Syekh Al-Qardhawi. Teknologi Large Language Model (LLM) dan similarity search diterapkan guna meningkatkan akurasi dan relevansi jawaban. Penelitian ini mencakup tahap pengumpulan data, analisis, perancangan, implementasi, dan pengujian sistem. Hasil evaluasi menunjukkan sistem ini menghasilkan jawaban yang akurat dengan tingkat kepuasan responden ahli fiqih sebesar 89% dan skor evaluator LangChain rata-rata 95%, keduanya dalam kategori “Sangat Setuju”. Temuan ini menegaskan potensi teknologi informasi dalam studi fiqih serta membuka peluang pengembangan lebih lanjut guna meningkatkan akses informasi fiqih bagi umat Islam.
Optimasi Hyperparameter Deep Learning untuk Deteksi X-Ray Paru-Paru Menggunakan Bayesian Optimization Shahira, Fayza; Negara, Benny Sukma; Yanto, Febi; Sanjaya, Suwanto
JIEET (Journal of Information Engineering and Educational Technology) Vol. 9 No. 1 (2025)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jieet.v9n1.p53-63

Abstract

Penyakit paru-paru, seperti pneumonia dan COVID-19, merupakan ancaman serius terhadap kesehatan masyarakat, terutama jika diagnosisnya mengalami keterlambatan. Pendekatan deteksi dini melalui citra X-ray dada banyak digunakan, namun akurasinya sangat bergantung pada kemampuan sistem klasifikasi. Penelitian ini bertujuan untuk meningkatkan performa klasifikasi citra X-ray paru-paru dengan mengimplementasikan metode deep learning menggunakan arsitektur ResNet-101 yang dioptimasi menggunakan teknik Bayesian Optimization. Dataset yang digunakan dalam penelitian ini terdiri dari tiga kelas yaitu Normal, Pneumonia, dan COVID-19, masing-masing sejumlah 1.000 citra. Kinerja model hasil optimasi dibandingkan dengan model baseline pada tiga skenario split data yaitu 90:10, 80:20, 70:30. Hasil penelitian mengindikasikan bahwa model yang telah dioptimasi mampu meningkatkan performa pada seluruh metrik evaluasi mencakup akurasi, presisi, recall, spesifisitas, dan F1-score. Akurasi tertinggi tercatat sebesar 93,83% pada skenario 80:20, melampau akurasi baseline yang sebesar 91,83. Selain itu, kurva akurasi dan loss menunjukkan proses training yang stabil dan konvergen secara cepat tanpa indikasi overfitting yang signifikan. Penerapan Bayesian Optimization terbukti efektif dalam menemukan konfigurasi hyperparameter optimal yang berdampak pada peningkatan dalam tiap metrik evaluasi
Applying Local Interpretable Model-agnostic Explanations (LIME) for Interpretable Deep Learning in Lung Disease Detection Ananda, Sherly; Negara, Benny Sukma; Irsyad, Muhammad; Jasril, Jasril; Iskandar, Iwan
Journal of Artificial Intelligence and Software Engineering Vol 5, No 2 (2025): Juni On-Progress
Publisher : Politeknik Negeri Lhokseumawe

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30811/jaise.v5i2.7042

Abstract

Artificial Intelligence (AI) semakin banyak diterapkan dalam bidang kesehatan melalui model Machine Learning (ML) dan Deep Learning (DL). Namun, kompleksitas model modern yang bersifat black-box menimbulkan kebutuhan akan metode interpretasi yang transparan. Explainable AI (XAI) hadir untuk menjembatani hal tersebut, dengan memberikan pemahaman yang lebih baik terhadap kinerja model. Penelitian ini mengimplementasikan metode Local Interpretable Model-agnostic Explanations (LIME) untuk memvisualisasikan hasil klasifikasi model DL berbasis arsitektur ResNet18 terhadap citra Chest X-ray (CXR) pada tiga kelas: normal, COVID-19, dan pneumonia. Model mencapai precision, recall, dan F1-score rata-rata sebesar 97%, serta Accuracy sebesar 98%. Visualisasi LIME menunjukkan area citra yang berkontribusi signifikan terhadap klasifikasi, serta mampu membedakan ketiga kelas dengan baik. Hasil ini mendukung penggunaan XAI untuk meningkatkan interpretabilitas model DL dalam diagnosis medis.
Interpreting Lung Disease Detection from Chest X-rays Using Layer-wise Relevance Propagation (LRP) Fauziyyah, Laila Nurul; Negara, Benny Sukma; Irsyad, Muhammad; Iskandar, Iwan; Yanto, Febi
Journal of Artificial Intelligence and Software Engineering Vol 5, No 2 (2025): June
Publisher : Politeknik Negeri Lhokseumawe

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30811/jaise.v5i2.7043

Abstract

Penelitian ini mengusulkan pendekatan klasifikasi penyakit paru berbasis citra X-ray menggunakan arsitektur VGG16 yang dilengkapi metode interpretabilitas Layer-wise Relevance Propagation (LRP). Dataset terdiri dari tiga kelas: COVID-19, pneumonia, dan normal, yang diproses melalui augmentasi dan normalisasi. Model dilatih dengan rasio data 70:30, learning rate 0.001, batch size 32, dan optimizer Adam. Hasil pelatihan menunjukkan akurasi tinggi sebesar 96,78% dengan nilai precision, recall, dan F1-score yang seimbang. Metode LRP digunakan untuk menyoroti area penting pada citra yang berkontribusi terhadap prediksi model, sehingga meningkatkan transparansi keputusan. Kontribusi utama penelitian ini adalah integrasi VGG16 dengan LRP dalam klasifikasi multi-kelas citra X-ray, yang memberikan hasil akurat sekaligus interpretasi visual yang mendukung kepercayaan dalam aplikasi medis.
Application of Shapley Additive Explanations (SHAP) in Deep Learning for Lung Disease Detection Using X-ray Images Muliani, Sarifah; Negara, Benny Sukma; Irsyad, Muhammad; Jasril, Jasril; Iskandar, Iwan
Journal of Artificial Intelligence and Software Engineering Vol 5, No 2 (2025): June
Publisher : Politeknik Negeri Lhokseumawe

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30811/jaise.v5i2.7044

Abstract

Pemeriksaan menggunakan citra x-ray merupakan metode yang efektif dalam membantu deteksi penyakit paru-paru, seperti COVID-19, dan pneumonia. Seiring dengan perkembangan teknologi yang meningkat, proses diagnosis kini dapat dilakukan secara lebih akurat dengan memanfaatkan sistem berbasis kecerdasan buatan. Salah satu metode yang banyak digunakan adalah deep learning namun metode ini bersifat black-box, sehingga hasil prediksi sulit dipahami dengan alasan dibalik keputusan model. Tujuan penelitian ini adalah untuk membangun sistem klasifikasi citra x-ray menggunakan model deep learning berbasis Convolutional Neural Network (CNN) dengan arsitektur VGG-16, serta menerapkan metode Shapley Additive Explanations (SHAP) untuk memberikan penjelasan mengenai visual terkait area citra yang mempengaruhi hasil prediksi. Model dilatih menggunakan beberapa konfigurasi, dan hasil terbaik diperoleh pada rasio data 80% : 20%, learning rate 0.001, batch size 32, dan 50 epoch. Hasil penelitian menunjukkan bahwa model mampu mencapai akurasi sebesar 95,75% pada data training dan 96,00% pada data validasi. Metode SHAP digunakan untuk meningkatkan pemahaman terhadap hasil prediksi. Hasil menunjukkan bahwa kombinasi deep learning dan SHAP mampu memberikan penjelasan visual terhadap hasil prediksi model.
Lung Disease Detection Using Gradient-Weighted Class Activation Mapping (Grad-CAM) Sofiyah, Wan; Negara, Benny Sukma; Irsyad, Muhammad; Iskandar, Iwan; Yanto, Febi
Journal of Artificial Intelligence and Software Engineering Vol 5, No 2 (2025): June
Publisher : Politeknik Negeri Lhokseumawe

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30811/jaise.v5i2.7041

Abstract

Early detection of respiratory diseases such as Coronavirus Disease-19 (Covid-19) and Pneumonia is crucial for accelerating treatment and preventing more serious complications. This study proposes a method for classifying Chest X-ray (CXR) images using a Convolutional Neural Network (CNN) to distinguish between Covid-19, Pneumonia, and normal lungs. Model training involved exploring various hyperparameter combinations to find the optimal configuration. The best results were achieved with a learning rate of 0.001, 50 epochs, and a batch size of 32, yielding an accuracy of 96.33%. Evaluation was conducted using accuracy, precision, recall, F1-score, and confusion matrix metrics. This study uses Gradient-Weighted Class Activation Mapping (Grad-CAM) as a transparent interpretation tool for model decisions. The main contribution of this study is the application of Grad-CAM in multi-class CXR classification to enhance model interpretability in lung disease diagnosis.
Lung X-Ray Image Classification Using DenseNet-169 and Bayesian Optimization Shahira, Fayza; Negara, Benny Sukma
Knowbase : International Journal of Knowledge in Database Vol. 5 No. 1 (2025): June 2025
Publisher : Universitas Islam Negeri Sjech M. Djamil Djambek Bukittinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30983/knowbase.v5i1.9618

Abstract

The increasing prevalence of lung diseases caused by infections such as Pneumonia and COVID-19 highlights the urgent need for accurate and efficient early detection methods. This study aims to improve the classification performance of chest X-ray images using the DenseNet-169 deep learning architecture, with a focus on hyperparameter optimization through Bayesian Optimization. The dataset used consists of 3,000 chest X-ray images—1,000 each for Normal, Pneumonia, and COVID-19 classes—sourced from Mendeley Data and split with an 80:20 ratio for training and testing. The baseline DenseNet-169 model initially achieved an accuracy of 96.837%, although slight overfitting was observed. By applying Bayesian Optimization, several key hyperparameters—such as learning rate, number of epochs, batch size, and kernel size—were systematically optimized. The optimized model demonstrated an improved accuracy of 97.33%, with the most notable increase in the recall score of the Normal class, which rose by 3.19% to 97%, effectively reducing the false negative rate for healthy cases. In addition, the final model recorded a precision of 99% and a specificity of 99.50% for the COVID-19 class, indicating a strong discriminative capability in identifying critical conditions. Analysis of the training and validation curves showed good convergence, confirming the effectiveness of the optimization in reducing overfitting and enhancing the model's generalization ability. Overall, the results of this study demonstrate that the application of Bayesian Optimization significantly enhances the performance of DenseNet-169 in chest X-ray image classification. The resulting model is more balanced, robust, and reliable, showing great potential for integration into AI-based automated diagnostic systems in the field of respiratory healthcare.
Co-Authors Ananda, Sherly Fauziyyah, Laila Nurul Febi Yanto Helviansyah, Try Iwan Iskandar Jasril Jasril Khairul Umam Muhammad Irsyad Muliani, Sarifah Nazruddin Safaat H Shahira, Fayza Sofiyah, Wan Suwanto Sanjaya