Claim Missing Document
Check
Articles

Found 9 Documents
Search

Role Comparison between Deep Belief Neural Network and NeuroEvolution of Augmenting Topologies to Detect Diabetes A.B.M. Wijaya; D.S. Ikawahyuni; Rospita Gea; Febe Maedjaja
JOIV : International Journal on Informatics Visualization Vol 5, No 2 (2021)
Publisher : Society of Visual Informatics

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30630/joiv.5.2.448

Abstract

Diabetes in Indonesia has been perceived as a grave health problem and has been a concern since the early 1980’s [2]. The prevalence of diabetes in adults in Indonesia, as stated by IDF, was 6.2% with the total case amounting to 10.681.400. Moreover, Indonesia is also in the top ten global countries with the highest diabetes case in 2013. This research will investigate the role of Deep Belief Network (DBN) and NeuroEvolution of Augmenting Topology (NEAT) in solving regression problems in detecting diabetes. DBN works by processing the data in unsupervised network architectures. The algorithm puts Restricted Boltzmann Machines (RBM) into a stacked process. The output of the first RBM will be the input for the next RBM. On the other hand, the NEAT algorithm works by investigating the neural network architecture and evaluating the architecture using a multi-layer perceptron algorithm. Collaboration with a Genetic Algorithm in NEAT is the key process in architecture development. The research results showed that DBN could be utilized as the initial weight for Backpropagation Neural Network at 22.61% on average. On the other hand, the NEAT algorithm could be used by collaborating with a multi-layer perceptron to solve this regression problem by providing 74.5% confidence. This work also reveals potential works in the future by combining the Backpropagation algorithm with NEAT as an evaluation function and by combining it with DBN algorithms to process the produced initial weight.
ANALISIS SQUID SERVER MONITORING PADA INTERNET PROTOKOL VERSI 6 (IPv6) MENGGUNAKAN METODE ACTIVE QUEUE MANAGEMENT (AQM) Erwin Oktaf Kurniawan Waruwu; Agustinus Rudatyo Himamunanto; Febe Maedjaja
JURNAL SAINS DAN KOMPUTER Vol. 1 No. 2 (2017): Jurnal Infact Edisi Agustus 2017
Publisher : Universitas Kristen Immanuel

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

Abstract

Server squid monitoring merupakan aplikasi dalam membangun proxy server yang bertugas sebagai conection sharing, filtering, caching dan memonitoring aktivitas client dalam jaringan. Penerapaan squid server saat ini masih menggunakan pengalamatan Internet Protokol versi 4 (IPv4) yang semakin terbatas, sehingga dibutuhkan suatu standar baru pada routing protocol yang mampu mengakomodasi jumlah pengalamatan alamat IP yang lebih banyak yaitu Internet Protokol versi 6 (IPv6). Menurut statistik dari Google, persentasi penguna yang mengakses Google melalui IPv6 dari tahun 2009 s/d 2020 mencapai 33.08 %. Subject dalam penelitian ini adalah menjelaskan tentang analisis perancangan squid server monitoring menggunakan IPv6 serta melakukan pengujian QoS (Quality of Service) berdasarkan parameter delay, jitter, paket loss dan throughput. Dalam penelitian ini dilakukan metode penanganan bufferbloat (kemacetan) menggunakan metode Active Queue Management (AQM) dengan algoritma Random Early Detection (RED). Berdasarkan hasil analisis squid server monitoring menggunakan IPv6 dan implementasi metode AQM, menurut standar THIPON didapat hasil throughput 21,517 bps dengan kategori “sangat bagus” nilai indek 4, delay 0,119 dengan kategori “sangat bagus” nilai index 4, jitter 0,303 dengan kategori “sangat bagus” nilai indek 4, dan paket loss 0,012 dengan kategori “sangat bagus” nilai indek 4.
SISTEM DETEKSI TEKS PADA COVER BUKU DENGAN PENDEKATAN KARAKTER TEKS Febe Maedjaja; Efraim
JURNAL SAINS DAN KOMPUTER Vol. 6 No. 2 (2021): Jurnal Sains Dan Teknologi Informasi
Publisher : Universitas Kristen Immanuel

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

Abstract

Citra mengandung informasi tentang obyek yang direpresentasikan sesuai dengan kepentingan tetapi tidak semuanya secara langsung diperoleh informasi yang diperlukan. Kesulitan mengolah informasi pada citra secara langsung bisa dimaklumi karena mengingat citra adalah kumpulan titik-titik warna yang jumlahnya banyak. Salah satu alternatif untuk membantu menampilkan dan mengolah informasi ini adalah dengan segmentasi citra. Sebuah citra dengan metode segmentasi bisa mempermudah mengolah informasi yang terkandung didalamnya. Topik permasalahan yang diangkat dalam Penelitian ini adalah analisa pada sistem deteksi teks pada cover buku dengan pendekatan karakter teks. Kebutuhan alat dan bahan pada pengujian system adalah program komputasi yang mengimplementasikan sistem deteks teks pada cover buku dengan pendekatan karakter teks. Bahan adalah citra input cover dan citra output hasil pemrosesan pendeteksian. Pemrosesan pada program komputasi dengan menggunakan tahapan pemrosesan thresholding, eliminasi noise, dilasi dan bounding teks untuk memperoleh area teks. Hasil penelitian yang diperoleh dalam penelitian penelitian dengan judul sistem deteksi teks pada cover buku dengan pendekatan karakter teks yang menggunakan sampel 30 citra dalam pengujian sesuai dengan kategori keterangan hasil pengujian adalah berhasil menemukan baris teks dengan jumlah baris teks input sesuai dengan output adalah 16 citra yaitu sebesar 53.33%. Berhasil menemukan baris teks dengan sebagian baris teks tidak dapat terdeteksi sehingga jumlah tidak sesuai dengan input adalah 11 citra cover buku yaitu sebesar 36.67%. Tidak berhasil menemukan baris teks pada citra input cover buku dengan terdapat baris teks pada citra input yang tidak dapat dideteksi adalah 3 citra cover buku yaitu sebesar 10 %. Program aplikasi pada komputasi pendeteksian area teks menggunakan metode pendekatan karakter teks masih memerlukan pengembangan untuk pendeteksian teks dengan karakter yang kompleks. Program aplikasi sudah dapat memperoleh informasi baris teks sebagai dasar pengembangan pemrosesan pada obyek baris teks.
AUTOMATED ANAEMIA DETECTION FROM CONJUNCTIVA IMAGES : A MACHINE LEARNING APPROACH FOR ANDROID APPLICATION Henry, Valentino Sas; Sumihar, Yo'el Pieter; Maedjaja, Febe
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Vol 9, No 2 (2024)
Publisher : STKIP PGRI Tulungagung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/jipi.v9i2.5218

Abstract

Anaemia is a common global disorder condition in which the red blood cell count is lower than normal. Traditional diagnostic methods often prove costly, invasive, and inaccessible, leading to delays in treatment and severe consequences. This study explores non-invasive techniques leveraging smartphone technology for efficient anaemia detection. Some researcher investigated that eye’s conjunctiva analysis can a viable alternative, considering its rich blood vessel network and sensitivity to anaemia indicators, independent of skin color. Utilizing smartphone cameras, the study establishes a robust correlation between the color of the conjunctiva and anaemia status, offering a promising avenue for non-invasive diagnosis. Employing a hybrid methodology, the study integrates You Only Look Once (YOLO) version 8 for efficient object detection, achieving a mean average precision of 96% in extracting Regions of Interest (ROI) from conjunctiva images. Subsequently, K-Nearest Neighbors (KNN) classification of features extracted from these ROI’s attained an 83% accuracy rate in determining anaemia status. Furthermore, the study aims to extend its impact by developing an Android application using the Flutter framework. This application integrates the established YOLO and KNN approaches, enabling real-time anaemia detection through smartphone cameras. Such a tool holds the potential to facilitate early evaluations in resource-constrained regions, enabling timely diagnosis and intervention, thus mitigating the adverse effects of untreated anaemia.
ANALISIS PERBINCANGAN DALAM GRUP WHATSAPP DENGAN K-MEANS CLUSTERING Tri Elsa, Maria; Berutu, Sunneng Sandino; Maedjaja, Febe
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Vol 9, No 4 (2024)
Publisher : STKIP PGRI Tulungagung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/jipi.v9i4.5554

Abstract

Whatsapp merupakan sebuah aplikasi yang mempermudah pengguna untuk mengirim pesan teks, foto, video, melakukan panggilan suara, dan panggilan video secara gratis dengan koneksi internet. “Grup Whatsapp Jual Beli Area UKRIM” memiliki sekitar 26.000 arsip pesan, yang membuktikan tingginya aktivitas dan interaksi anggota dalam transaksi jual beli. Anggota grup akan terbantu membuat strategi promosi barang jika mereka dapat memanfaatkan informasi mengenai kata dan barang yag paling sering muncul dalam chat group. Untuk mendapatkan informasi mengenai kata dan barang yang paling sering muncul dalam chat group diperlukan text clustering. Penelitian ini menggunakan Metode K-Means dalam melakukan text clustering untuk memperoleh kata-kata yang sering muncul tersebut. Setelah melalui prosedur pra-pemrosesan teks dan penerapan Metode Elbow, jumlah data diperkecil menjadi 4.732 data dan ditentukan 10 cluster yang optimal dalam “Grup Whatsapp Jual Beli Area UKRIM”. Hasil penerapan K-Means memperlihatkan kata yang paling sering muncul dalam cluster 0 adalah kata “jual” , dalam cluster 1 kata “info”, dalam cluster 2  kata “beli”, dalam cluster 3 kata “japri”, dalam cluster 4 kata “gas”, dalam cluster 5 kata “motor”, dalam cluster 6 kata “info”,”kost”, dalam cluster 7  kata  “hp”, dalam cluster  8  kata “kucing”,  dan dalam cluster 9  kata “rak”. Secara menyeluruh kata yang paling banyak muncul adalah kata “info” dengan jumlah 910 dan kata yang paling sedikit muncul adalah kata “iphone” dan “hewan”. Barang dagangan yang sering muncul adalah “meja”, “kipas”, “lemari”, “kasur”, dan “laptop
KLASIFIKASI KALIMAT PERUNDUNGAN PADA TWITTER MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE Nauli, Sumitta; Berutu, Sunneng Sandino; Budiati, Haeni; Maedjaja, Febe
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Vol 10, No 1 (2025)
Publisher : STKIP PGRI Tulungagung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/jipi.v10i1.5749

Abstract

Cyberbullying menjadi masalah yang semakin serius, terutama dengan meningkatnya media sosial dan teknologi. Twitter adalah sebagai salah satu media digital yang kerap dijadikan ajang untuk memunculkan tekanan dari sesama pengguna. Dalam riset yang dilakukan, teknik Support Vector Machine (SVM) akan diterapkan untuk membuat klasifikasi terhadap tweet sebagai tujuannya. Crawling data digunakan untuk mengumpulkan data pelatihan, yang kemudian diproses dengan melakukan tokenisasi, pembersihan data, dan TF-IDF untuk pembobotan kata. Kata-kata yang membentuk sebuah frasa memiliki fungsi sebagai fitur. Untuk menentukan model klasifikasi yang ideal, teknik SVM dikembangkan dengan memanfaatkan beberapa jenis kernel dan parameter yang berbeda. Klasifikasi tweet dilakukan berdasarkan aspek fisik dan non-fisik. Dataset yang digunakan terdiri dari 2752 data, dengan 568 kategori bullying, 2183 kategori non bullying, dan 428 untuk aspek fisik, 132 untuk aspek non-fisik. Klasifikasi terbaik ditunjukkan melalui kernel Linear yang memiliki perbandingan 90:10, menghasilkan 89,47% akurasi, 57,14% recall, 100% presisi, serta 72,72% f1-score. Perolehan riset membuktikan yaitu nilai parameter tertentu dan model teknik SVM oleh esensi linear mahir mengklasifikasikan kalimat perundungan pada Twitter dengan akurasi yang tinggi. Penelitian ini memberikan kontribusi dalam upaya mendeteksi dan menangani perundungan siber pada platform media sosial.
Implementasi Data Mining Untuk Menganalisis Pola Peminjaman Buku Perpustakaan Dengan Menggunakan Metode Apriori: Implementasi Data Mining Febe Maedjaja; Tri Yuli Yanto; Sunneng Sandino Berutu
Infact: International Journal of Computers Vol. 7 No. 02 (2023): Jurnal Sains dan Komputer
Publisher : Universitas Kristen Immanuel

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61179/jurnalinfact.v7i02.446

Abstract

The library is a place where you can find the information andknowledge you need. Library space is a very important means oforganizing book loans because it not only creates space and thenfills it with collections, but also pays attention to how the layout ofthe books is arranged. Therefore, the data is analyzed in order tohelp recommend the layout of books and borrowers can find theappropriate books. To determine the suggestion of borrowedbooks, with the existence of play data can use the a priorialgorithm, a kind of association rule. The market basket analysismethod used by the a priori algorithm to establish associationsbetween various variables allows the system to further analyze andidentify trends related to borrowed books. Based on the results ofthe analysis that has been carried out, it is stated that this a priorialgorithm can be used to display recommendations betweenborrowed books. The support value can show the classification ofbooks borrowed simultaneously while the confidence value canfind out the recommendations for books borrowed.
Implementasi YOLO11 dan OpenCV untuk Pengenalan Frasa dalam Video Real-Time Bahasa Isyarat Tangan: YOLO11 and OpenCV Implementation for Phrase Recognition in Real-Time Hand Sign Language Videos Swasono, Henoch Yanuar Ari; Himamunanto, Agustinus Rudatyo; Maedjaja, Febe
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 5 No. 3 (2025): MALCOM July 2025
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v5i3.2130

Abstract

Bahasa isyarat adalah alat komunikasi utama bagi para penyandang tunarungu dan tunawicara. Namun, terbatasnya pemahaman bahasa isyarat oleh masyarakat umum sering kali menjadi kendala dalam berkomunikasi. Penelitian ini bertujuan untuk merancang program pengenalan frasa bahasa isyarat tangan BISINDO secara real-time dengan menggunakan algoritma YOLO11 dan library OpenCV. YOLO11 digunakan sebagai metode deep learning untuk mengenali isyarat tangan, sedangkan OpenCV digunakan untuk pemrosesan video real-time dan visualisasi hasil deteksi. Model ini dilatih menggunakan lebih dari 3.000 gambar yang mewakili enam class frasa BISINDO: “saya”, “kamu”, “senang”, “bingung”, “marah”, dan “apa kabar”, sebanyak 263 epoch. Hasil pengujian model menunjukkan rata-rata nilai precision dan recall di atas 0,9; F1-Score sebesar 0,982; mAP50 sebesar 0,993; dan mAP50-95 sebesar 0,938. Pada pengujian real-time, model menunjukkan latency rata-rata stabil di kisaran 80-90ms, frame rate 11-12FPS, dan confidence score rata-rata 0,9 untuk semua class. Berdasarkan Penelitian yang telah dilakukan, disimpulkan bahwa integrasi YOLO11 dan OpenCV berhasil digunakan sebagai algoritma dalam mengenali frasa bahasa isyarat tangan BISINDO secara real-time.
Analisis Performa Metode KNN, Yolov8, Dan Yolov11 Pada Klasifikasi Konjungtiva Mata Untuk Deteksi Anemia Sumihar, Yoel Pieter; Maedjaja, Febe; Sas, Valentino Henry
TIN: Terapan Informatika Nusantara Vol 6 No 7 (2025): December 2025
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/tin.v6i7.8707

Abstract

Rapid and non-invasive anemia detection is crucial, especially in regions with limited laboratory facilities. The conjunctiva of the eye serves as a promising visual indicator for anemia through the analysis of color and texture. This study aims to analyze and compare the performance of three image classification methods K-Nearest Neighbors (KNN), YOLOv8, and YOLOv11 in detecting anemia using conjunctival images. The CP-AnemiC dataset was employed, consisting of 710 original images, later expanded to 3,550 images through augmentation. KNN utilized color features extracted from the CIE LAB color space, while YOLOv8 and YOLOv11 leveraged automatic feature extraction using convolutional neural networks. Evaluation metrics included accuracy, precision, recall, and F1-score. The results indicate that YOLOv8 achieved the best performance with 93.4% accuracy and a 94.5% F1-score, followed by YOLOv11 with 93.0% accuracy and a 94.2% F1-score. In contrast, KNN obtained an accuracy of only 85.7%. YOLOv8 demonstrated fast and accurate detection, while YOLOv11 exhibited more stable training behavior. These findings highlight that deep learning models particularly YOLOv8 and YOLOv11 are highly promising for implementing efficient, accurate, and practical conjunctival image–based anemia detection systems. This research contributes by presenting an explicit comparative analysis between the classical method (KNN) and the latest deep learning models (YOLOv8 and YOLOv11) in the specific context of conjunctival image classification.