Article Per Year (5 Year)
p-Index From 2021 - 2026
5.307
P-Index
This Author published in this journals
All Journal TELKOMNIKA (Telecommunication Computing Electronics and Control) JAIS (Journal of Applied Intelligent System) SISFOTENIKA JET (Journal of Electrical Technology) Jurnal Teknologi Informasi MURA Voice Of Informatics Zero : Jurnal Sains, Matematika, dan Terapan JOURNAL OF SCIENCE AND SOCIAL RESEARCH JURNAL TEKNOLOGI DAN ILMU KOMPUTER PRIMA (JUTIKOMP) CSRID (Computer Science Research and Its Development Journal) Jurnal Informatika Kaputama (JIK) Jurnal Mantik IT (INFORMATIC TECHNIQUE) JOURNAL ICIT (Innovative Creative and Information Technology) Journal REMIK : Riset dan E-Jurnal Manajemen Informatika Komputer Journal of Computer Science, Information Technology and Telecommunication Engineering (JCoSITTE) Journal of Computer Networks, Architecture and High Performance Computing Jurnal Generic JUDIMAS (Jurnal Inovasi Pengabdian Kepada Masyarakat) Journal of Applied Computer Science and Technology (JACOST) DEVICE Jurnal SAINTIKOM (Jurnal Sains Manajemen Informatika dan Komputer) INFOSYS (INFORMATION SYSTEM) JOURNAL Jurnal Ipteks Terapan : research of applied science and education International Journal of Research in Vocational Studies (IJRVOCAS) Jurnal Minfo Polgan (JMP) Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Jurnal Teknologi Informasi Mura Jurnal Abdimastek (Pengabdian Masyarakat Berbasis Teknologi) CSRID
Rika Rosnelly
Uiversitas Potensi Utama
Aerospace Engineering Agriculture, Biological Sciences & Forestry Arts Humanities Astronomy Automotive Engineering Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Immunology & microbiology Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Medicine & Pharmacology Neuroscience Nursing Physics Public Health Social Sciences Veterinary Other

Published : 47 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 47 Documents
Search

 1   2   3   4   5 
Klasifikasi Jenis Tumor Otak pada Citra MRI Menggunakan Convolutional Neural Network (CNN) Agung RM Alam; M Suhada WD; Agus F Nduru; Rika Rosnelly; Adil Setiawan
REMIK: Riset dan E-Jurnal Manajemen Informatika Komputer Vol. 9 No. 4 (2025): Volume 9 Nomor 4 Oktober 2025
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/remik.v9i4.15020

Abstract

Tumor otak merupakan salah satu kondisi neurologis serius yang menuntut penanganan cepat dan tepat. Proses klasifikasi citra MRI secara manual masih menghadapi sejumlah kendala, seperti waktu yang dibutuhkan yang relatif lama, ketergantungan terhadap keahlian radiolog, serta potensi subjektivitas dalam interpretasi. Untuk mengatasi permasalahan tersebut, penelitian ini mengembangkan sistem klasifikasi otomatis berbasis Convolutional Neural Network (CNN) guna mengidentifikasi tiga tipe tumor otak, yakni glioma, meningioma, dan pituitari, dengan memanfaatkan dataset MRI yang bersifat publik. Proses prapengolahan data dilakukan melalui tahapan resizing, normalisasi intensitas, serta augmentasi data berupa rotasi acak, zoom, dan flipping, dengan tujuan meningkatkan kemampuan generalisasi model. Arsitektur jaringan yang diusulkan terdiri atas dua blok konvolusi, satu lapisan fully connected, serta penggunaan dropout sebagai upaya meminimalisasi overfitting. Model dilatih dengan skema pembagian data latih dan uji sebesar 80:20, serta dievaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil pelatihan menunjukkan bahwa model mencapai akurasi 97,18%, lebih tinggi dibandingkan baseline metode SVM (90,7%) dan MobileNetV2 (94,6%). Selain itu, teknik visualisasi Grad-CAM digunakan untuk mengidentifikasi area penting dalam citra yang berkaitan dengan keberadaan tumor, sehingga memperkuat interpretabilitas dari sistem yang dibangun. Temuan ini menegaskan bahwa arsitektur CNN yang dikembangkan memiliki potensi tinggi dalam mendukung proses diagnosis tumor otak secara otomatis dan dapat diandalkan dalam praktik klinis.
Analisis Metode K-Nearest Neighbor Dan Metode SVM Pada Log Serangan Jaringan Untuk Rekomendasi Keamanan Jaringan Fadil Habib; Rika Rosnelly; Bob Subhan Riza
JET (Journal of Electrical Technology) Vol 11, No 1 (2026): EDISI FEBRUARI
Publisher : Universitas Islam Sumatera Utara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30743/jet.v11i1.13278

Abstract

Penelitian ini dilakukan untuk menganalisis dan membandingkan kinerja dua algoritma machine learning, yaitu K-Nearest Neighbor (KNN) dan Support Vector Machine (SVM), dalam proses klasifikasi log serangan jaringan menggunakan dataset CICIDS2017. Hasil dari penelitian ini diharapkan dapat memberikan gambaran mengenai metode yang memiliki performa terbaik dalam mendeteksi aktivitas serangan jaringan sehingga dapat menjadi dasar rekomendasi dalam meningkatkan keamanan jaringan komputer. Berdasarkan hasil penelitian yang telah dilakukan mengenai analisis metode K-Nearest Neighbor (KNN) dan Support Vector Machine (SVM) pada klasifikasi log serangan jaringan menggunakan dataset CICIDS2017. Metode K-Nearest Neighbor (KNN) mampu melakukan klasifikasi aktivitas jaringan menjadi kategori normal dan serangan dengan performa yang sangat baik. Berdasarkan hasil pengujian yang dilakukan, model KNN menghasilkan nilai accuracy sebesar 0,9989, precision sebesar 0,9975, recall sebesar 0,9969, dan F1-score sebesar 0,9972, yang menunjukkan bahwa metode KNN memiliki kemampuan yang sangat tinggi dalam mendeteksi aktivitas serangan jaringan pada dataset CICIDS2017. Metode Support Vector Machine (SVM) juga mampu melakukan klasifikasi aktivitas jaringan dengan performa yang cukup baik. Hasil evaluasi model menunjukkan nilai accuracy sebesar 0,9756, precision sebesar 0,9575, recall sebesar 0,9134, dan F1-score sebesar 0,9349, yang menunjukkan bahwa metode SVM masih memiliki kemampuan yang baik dalam mendeteksi aktivitas jaringan normal dan serangan, meskipun performanya masih berada di bawah metode KNN pada dataset yang digunakan. Metode K-Nearest Neighbor (KNN) lebih efektif digunakan dalam proses deteksi serangan jaringan pada dataset CICIDS2017. Dengan tingkat akurasi dan kemampuan deteksi yang tinggi, metode ini dapat dijadikan sebagai rekomendasi metode machine learning yang dapat digunakan dalam pengembangan sistem keamanan jaringan berbasis Intrusion Detection System (IDS) untuk membantu mengidentifikasi aktivitas serangan jaringan secara lebih akurat
Pendekatan Explainable Deep Learning pada Klasifikasi Citra Sampah Menggunakan MobileNetV2 dan Teknik Grad-CAM serta SHAP Muhammad Al Adib; Andri Armaginda Siregar; Bill Raj; Rahmat Humala Putra Hasibuan; Jalaluddin Nasution; Andreas Jorghy Parapat; Rika Rosnelly
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 4 No. 3 (2026): Februari 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v4i3.739

Abstract

The increasing volume of waste resulting from urbanization and population growth poses significant challenges to waste management systems, particularly in the sorting stage. Deep learning approaches, especially Convolutional Neural Networks (CNNs), have been widely employed for waste image classification due to their ability to automatically extract complex visual features. However, a major limitation of these approaches lies in their limited interpretability, which may hinder user trust and real-world adoption. This study proposes an Explainable Deep Learning Framework for organic and inorganic waste image classification by integrating the MobileNetV2 architecture with Explainable Artificial Intelligence (XAI) methods, namely Gradient-weighted Class Activation Mapping (Grad-CAM) and SHapley Additive exPlanations (SHAP). MobileNetV2 is utilized as a feature extractor due to its computational efficiency and suitability for deployment on resource-constrained devices. The dataset used in this study consists of a combination of a public benchmark dataset and field-acquired waste images, processed using a transfer learning approach. Model performance is evaluated using accuracy, precision, recall, and f1-score metrics. Experimental results demonstrate that the proposed model achieves a validation accuracy of 90.25% with balanced performance across both classes. Furthermore, interpretability analysis using Grad-CAM and SHAP reveals that the model focuses on semantically relevant visual features and provides explainable feature contributions. These findings confirm that integrating lightweight CNN architectures with XAI techniques can produce waste classification systems that are accurate, transparent, and accountable.
Klasifikasi Penyakit Daun Tomat Menggunakan Pengolahan Citra Dan Algoritma Machine Learning Romi Antoni; Susiana Khosasih; Ricky Irnanda; Iswanto; Farhan Sardy Abdillah; Yiska Dayanti Zagoto; Rika Rosnelly
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 4 No. 3 (2026): Februari 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v4i3.778

Abstract

Klasifikasi penyakit daun tomat merupakan langkah penting untuk meningkatkan produktivitas pertanian dan meminimalkan kerugian akibat patogen. Penelitian ini bertujuan membandingkan dan mengevaluasi performa algoritma Naive Bayes dan Support Vector Machine (SVM) dalam klasifikasi penyakit daun tomat berbasis pengolahan citra digital. Pipeline penelitian mencakup segmentasi citra berbasis HSV, ekstraksi fitur warna, bentuk, dan tekstur menggunakan metode Gray Level Co-occurrence Matrix (GLCM) dan Local Binary Pattern (LBP), serta proses klasifikasi. Sistem diimplementasikan dalam bentuk Graphical User Interface (GUI) berbasis MATLAB untuk memudahkan manajemen data latih, pelatihan model, klasifikasi, dan evaluasi performa. Hasil pengujian menunjukkan bahwa SVM mencapai akurasi 92,36%, lebih tinggi dibandingkan Naive Bayes sebesar 79,41%. Kontribusi penelitian ini meliputi analisis komparatif Naive Bayes dan SVM dalam klasifikasi penyakit daun tomat, integrasi fitur warna, bentuk, dan tekstur dalam satu pipeline, dan pengembangan GUI interaktif untuk klasifikasi. Penelitian ini diharapkan dapat mendukung pertanian presisi melalui deteksi penyakit daun tomat yang lebih cepat, akurat, dan efisien.
Klasifikasi Tingkat Kedisiplinan Siswa Menggunakan Algoritma Machine Learning: Decision Tree, KNN, dan Naive Bayes Damri Mulia Hutabalian; Pebruarianto Hutabarat; Mhd Prasetyo; Mhd Agung Irnanda; Naufal Dhiya Putra Dalimunthe; Rika Rosnelly
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 4 No. 3 (2026): Februari 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v4i3.788

Abstract

Discipline is a crucial factor influencing the effectiveness of learning processes and the quality of graduates in vocational education. SMK Swasta RK Bintang Timur Pematangsiantar maintains records of student attendance and academic performance that have the potential to be analyzed as indicators of student discipline. However, these data have not been optimally utilized as a basis for decision-making to provide early detection of students who are at risk of declining discipline. This research aims to develop a predictive model of student discipline by identifying patterns of attendance and academic achievement using a data mining approach.The study employs the CRISP-DM framework, consisting of business understanding, data understanding, data preparation, modeling, evaluation, and deployment. The dataset includes daily attendance records, semester academic grades, and documented disciplinary behavior used as class labels. Several classification algorithms—Decision Tree (C4.5), KNN, Naive Bayes were implemented to compare model performance. Model evaluation was conducted using confusion matrix, accuracy, precision, recall, and F1-score, with k fold cross-validation.The results show that attendance and academic performance patterns significantly influence the prediction of student discipline levels. The Random Forest algorithm produced the highest performance results, with consistent F1-scores for at-risk student categories. The most influential features include attendance percentage, the number of unexcused absences, and average academic scores. The resulting model is implemented as a decision support prototype dashboard to assist counseling teachers and homeroom teachers in monitoring potential disciplinary violations and planning early intervention. This research is expected to support the development of data-driven discipline monitoring systems in schools and provide practical benefit in preventive actions to improve student behavior quality at SMK Swasta RK Bintang Timur Pematangsiantar.
Model Machine Learning untuk Klasifikasi Warna Fashion Menggunakan Metode K-Nearest Neighbor Yuke Manza; Muhammad Suhada WD; Agus F.S. Ndruru; Rika Rosnelly
Jurnal Minfo Polgan Vol. 13 No. 2 (2024): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v13i2.14551

Abstract

Penelitian ini bertujuan untuk mengembangkan model klasifikasi warna fashion menggunakan metode K-Nearest Neighbor (KNN). Dengan mengumpulkan data dari 25.000 sampel yang mencakup variabel tinggi badan, berat badan, jenis kelamin, indeks massa tubuh, dan warna kulit, penelitian ini menerapkan tahapan metodologi yang sistematis, termasuk pengumpulan data, pra-pemrosesan, pemodelan, dan evaluasi. Hasil analisis menunjukkan bahwa model KNN mencapai akurasi sebesar 78.22%, dengan kemampuan yang baik dalam membedakan kelas positif dan negatif. Meskipun hasil ini memuaskan, terdapat peluang untuk meningkatkan akurasi model melalui optimasi parameter atau penggabungan dengan algoritma lain. Temuan ini memberikan kontribusi signifikan terhadap pengembangan teknologi machine learning dalam industri fashion, serta menawarkan solusi praktis bagi desainer dan produsen dalam memilih kombinasi warna yang menarik, sehingga dapat meningkatkan daya tarik produk di pasar.
Analisis Perbandingan Metode Machine Learning KNN dengan Naive Bayes pada Log Serangan Jaringan Agus Fs Ndruru; Rika Rosnelly; Bob Subhan Riza
Jurnal Minfo Polgan Vol. 15 No. 1 (2026): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v15i1.15956

Abstract

Massive cybercrimes, such as Distributed Denial of Service (DDoS) attacks, demand rapid and accurate preventive measures through an Intrusion Detection System (IDS). This research aims to analyze and compare the performance of machine learning algorithms, specifically K-Nearest Neighbor (KNN) and Naive Bayes, in classifying network attack logs. The research methodology utilizes the public CIC-IDS2017 dataset through the stages of data preprocessing, model design, parameter optimization, and confusion matrix-based evaluation. The test results show that the KNN method with an optimal neighborhood value of K=3 achieved an accuracy rate of 99.92%, outperforming the Gaussian Naive Bayes algorithm, which recorded an accuracy of 99.52%. The superiority of KNN is also consistent across precision, recall, and F1-score metrics, as its distance-based approach (Euclidean) is capable of capturing the correlation of complex, nonlinear attack patterns. Conversely, the probabilistic approach of Naive Bayes has much lighter computational efficiency, but its performance is slightly hindered by the assumption of attribute independence. The implications of this research provide a strategic guideline that KNN is highly recommended for security systems that prioritize absolute accuracy and minimal false negatives, while Naive Bayes is ideal as an efficient initial monitoring filter. The conclusion of the study affirms that KNN is significantly more adaptive and accurate than Naive Bayes in detecting network anomalies. For future research, it is recommended to conduct tests using hybrid models, the application of deep learning, or the implementation of real-time detection on network traffic to comprehensively examine the system's scalability and computational load.
Co-Authors Abwabul Jinan Aditia Rangga Agung RM Alam Agus F Nduru Agus F.S. Ndruru Agus Fahmi Agus Fs Ndruru Akbar Idaman Alan Prayogi Alesia Lorenza Sinaga Alvinur Naswar Alvinur Naswar Ameliana Sihotang Andreas Jorghy Parapat Andri Armaginda Siregar Anton Purnama Arselan Ashraf B. Herawan Hayadi Batubara, Muhammad Akbarri Bill Raj Bob Subhan Riza Bob Subhan Riza Cindy Paramitha Cindy Paramitha Damri Mulia Hutabalian Dedi Irawan Dedi Irawan Della Syahrani Desi Irfan Dian Maya Sari Diky Wahyudi Edy Victor Haryanto, Edy Victor Eko Setyo Budi Putra Aji Elly Veronika Sihite Elsa Aditya Eri Triwanda Esmawaty Sinaga Fadil Habib Farhan Sardy Abdillah Finis Hermanto Laia Gusti Firanda Hardianto Hardianto Hardianto Hardianto Hartono Hartono Hetty Zahrani Iswanto Jaka Kusuma Jaka Tirta Samudra Jalaluddin Nasution Jazmi Hadi Matondang Junaidi Junaidi Karuniaman Buulolo Kristine Wau Linda Wahyuni Linda Wahyuni Linda Wahyuni Lubis, Cindy Paramitha M Suhada WD M. Agung Oki Prayugo Maradona Jonas Simanullang MARIA BINTANG Masri Wahyuni Mega Christin Lase Mega Christin Morys Lase Mega Marisani Ziraluo Mhd Agung Irnanda Mhd Prasetyo Mimi Chintya Adelina Mira Kartiwi Muhammad Al Adib Muhammad Fachrurrozi Nasution Muhammad Sadikin Muhammad Suhada WD Muhammad Zulkarnain Lubis Mutiara S. Simanjuntak Naufal Dhiya Putra Dalimunthe Pebruarianto Hutabarat Pius Deski Manalu Progresif Bulolo Progresif Bulolo5 Puji Sari Ramadhan Rabiatul Adawiyah Hasibuan Rahmat Humala Putra Hasibuan Rahmatika Hizria Rais Affaruq Zunnurain Ramadhani Ritonga Ricky Irnanda Ridha Maya Faza Lubis Ritonga, Iqbal Giffari Rofiqoh Dewi Rohima, Rohima Romi Antoni Rony, Zahara Tussoleha Roslina, Roslina Rubianto Rubianto Rubianto Sartika Mandasari Sarwadi Sarwadi Sarwadi, Sarwadi Setiawan, Adil Susiana Khosasih Syawaluddin Kadafi Parinduri Teddy Gunawan Teddy Surya Gunawan Teddy Surya Gunawan Teresa Tamba Tri Andre Anu Triandi, Budi Ubaidullah Hasibuan Wahyuni, Linda Wanayumini Wulandari, Wulandari Yiska Dayanti Zagoto Yuke Manza Yuni Franciska Zakarias Situmorang Zuriati Janin