Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal TELKOMNIKA (Telecommunication Computing Electronics and Control) Journal of ICT Research and Applications Indonesian Journal on Computing (Indo-JC) Charity : Jurnal Pengabdian Masyarakat eProceedings of Engineering
Suyanto Suyanto
Telkom University
Arts Humanities Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Social Sciences

Published : 12 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search
Journal : Indonesian Journal on Computing (Indo-JC)

 1 
Aerial Image Segmentation with Clustering Using Fireworks Algorithm Muhammad Hariz Arasy; Suyanto Suyanto; Kurniawan Nur Ramadhani
Indonesia Journal on Computing (Indo-JC) Vol. 4 No. 1 (2019): Maret, 2019
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21108/INDOJC.2019.4.1.245

Abstract

Aerial images has different data characteristics when compared to other types of images. An aerial image usually contains small insignificant objects that can cause errors in the unsupervised segmentation method. K-means clustering, one of the widely used unsupervised image segmentation methods, is highly vulnerable to local optima. In this study, Adaptive Fireworks Algorithm (AFWA) is proposed as an alternative to the K-means algorithm in optimizing the clustering process in the cluster-based segmentation method. AFWA is then applied to perform aerial image segmentation and the results are compared with K-means. Based on the comparison using Probabilistic Rand Index (PRI) and Variation of Information (VI) evaluation metrics, AFWA produces an overall better segmentation quality.
Pointer Generator dan Coverage Weighting untuk Memperbaiki Peringkasan Abstraktif Agna Silpi Alpiani; Suyanto Suyanto
Indonesia Journal on Computing (Indo-JC) Vol. 4 No. 2 (2019): September, 2019
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34818/INDOJC.2019.4.2.341

Abstract

Model Long Short – Term Memory (LSTM) sequence-to-sequence telah banyak digunakan untuk menyelesaikan tantangan dalam peringkasan teks. Namun, model ini masih memiliki dua masalah utama yaitu, kemunculan kata diluar kosakata atau sering disebut out-of-vocabulary (OOV), dan perulangan kata. Pada makalah ini, pointer generator dan coverage weighting diterapkan untuk mengatasi dia masalah tersebut. Dimulai dengan model sequence-to-sequence dasar. Kemudian kami kembangkan dengan attention mechanism yang telah ditambahkan coverage weigting pada perhitungannya untuk mengurangi terjadinya perulangan kata, dan mengganti encoder menjadi bi-directional LSTM. Setelah itu kami mengimplementasikan pointer generator yang dapat  menunjuk kembali ke kata dalam teks sumber dan menghasilkan kata jika bertemu dengan kata OOV. Menggunakan dataset artikel berita bahasa Inggris CNN/Daily Mail dan metrik evaluasi ROUGE score, model kami menghasilkan hasil yang mirip dengan ringkasan teks sumber.
Klasifikasi Kanker Payudara Menggunakan Residual Neural Network Reynold Erwandi; Suyanto Suyanto
Indonesia Journal on Computing (Indo-JC) Vol. 5 No. 1 (2020): Maret, 2020
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34818/INDOJC.2020.5.1.373

Abstract

Kanker Payudara menjadi salah satu penyebab kematian yang umum terutama pada kaum wanita. Di Amerika Serikat pada tahun 2015, kanker payudara menjadi jenis kanker yang paling banyak diderita dan menjadi kanker paling mematikan setelah kanker paru-paru. Studi terkait menyatakan bahwa pendeteksi dan penanggulangan secara diri menjadi faktor penting dalam menghadapi kanker payudara. Proses diagnosa kanker payudara secara tradisional memakan waktu yang cukup lama, terlebih lagi para ahli patologi belum 100% yakin atas hasil diagnosa mereka. Oleh karena itu dalampenelitian ini dibuatlah sebuah sistem dengan bantuan komputer yang dapat membantu para dokter untuk mengklasifikasi jenis sel payudara berdasarkan gambar histopatologi. Dalam penelitian ini, diusulkan sebuah metode menggunakan pendekatan deep convolutional neural network menggunakan arsitektur Residual Neural Network (ResNet) untuk pengklasifikasian berdasarkan gambar histopatologi pada dataset BreakHis. Performa terbaik yang dicapai dalam metode ini mencapai tingkat rata-rata akurasi 99,3% pada pengklasifikasian binary, dan tingkat rata-rata akurasi 94,6% pada pengklasifikasian multi-class yang mana hampir setara dengan kondisi state-ofthe-art saat penelitian ini ditulis.
Klasifikasi Gender dan Usia berdasarkan Suara Pembicara Menggunakan Hidden Markov Model Irfan Tri Handoko; Suyanto Suyanto
Indonesia Journal on Computing (Indo-JC) Vol. 4 No. 3 (2019): December, 2019
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34818/INDOJC.2019.4.3.375

Abstract

Klasifikasi usia-genderberdasarkan suara sangat berguna dalam perkenalan pidato dan dalam pengenalan emosi. Klasifikasi genderjuga telah diterapkan dalam pengenalan wajah, peringkasan video, penentuan tingkat izin yang berbeda untuk kelompok umur yang berbeda, dan lainnya. Pengelompokan usia yang berbeda dibagi menjadi tiga kelompok: anak, muda, menengah, dan senior berdasarkan rentang usia tertentu. Penelitian ini berfokus pada klasifikasi usia-gender berdasarkan suara pembicara menggunakan gabungan Gaussian Mixture Modeldan Hidden Markov Model(GMM-HMM). Pertama, dilakukan pembangunan vektor ciri menggunakan Mel-Frequency Cepstrum Coefficient (MFCC). Selanjutnya, dilakukan pelatihan untuk menghasilkan model akustik untuk semua penutur (pria dan wanita dari berbagai usia) di dalam basisdata pelatihan. Terakhir, HMM diterapkan untuk mendeteksi genderdan kelompok usia. Pada penelitian ini, basisdata suara diambil dari situs Common Voice, yang berisi banyak posting blog, buku-buku lama, film, dan pidato publik lainnya. Hasil eksperimen menunjukkan bahwa model GMM-HMM yang telah dibangun mampu melakukan klasifikasi usia-genderdengan akurasi hingga 96,4%. Model ini dapat diperbaiki dengan pengaturan parameter secara lebih presisi dan penggunaan dataset yang lebih besar.Kata Kunci: Klasifikasi, Mel-Frequency Cepstrum Coefficient, Acoustic Models, Gaussian Mixture Model, Hidden Markov Model
Peringkasan Teks Ekstraktif Menggunakan Binary Firefly Algorithm Ade Naufal Ammar; Suyanto Suyanto
Indonesia Journal on Computing (Indo-JC) Vol. 5 No. 2 (2020): September, 2020
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34818/INDOJC.2020.5.2.440

Abstract

Ada banyak informasi teks yang beredar di internet, tetapi manusia sulit mencerna semua informasi tersebut dalam waktu singkat. Peringkasan teks otomatis merupakan teknologi yang membantu seseorang untuk membaca suatu teks secara ringkas dengan menghasilkan ringkasan secara otomatis dari suatu teks tanpa adanya proses penyuntingan manusia terhadap ringkasan tersebut. Pertama, data dari situs diambil menggunakan teknik parsing. Pattern matching juga diperlukan untuk menyaring tag HTML dari data yang diambil sehingga menghasilkan teks murni. Setelah itu, dilanjutkan dengan tokenization untuk memecah teks menjadi kumpulan kata bermakna. Dengan Binary Firefly Algorithm, setiap bagian pada teks diberikan bobot berdasarkan skor kemiripan makna yang terkandung yang ditentukan oleh matriks TF-IDF. Dalam penelitian ini, ringkasan teks dibuat dengan mengambil tujuh bagian teks yang memiliki bobot tertinggi. Ringkasan kemudian dievaluasi menggunakan metrik ROUGE. Hasil penelitian menunjukkan bahwa dibandingkan dengan ringkasan abstraktif, ringkasan ekstraktif memberikan relative improvement sebesar 47,06% pada ROUGE-1, 34,4% pada ROUGE-2, dan 44,92% pada ROUGE-L.
Co-Authors Ade Naufal Ammar Agfianto Eko Putra Agna Silpi Alpiani Agus Alex Yanuar Agus Harjoko Arif Bijaksana Budi Santosa Hilman Fauzi Rijal Irfan Tri Handoko Kurniawan Nur Ramadhani Muhammad Hariz Arasy Muhammad Ramadhan Nyoman Rizkha Emillia Reynold Erwandi Rino Andias Anugraha Satria Mandala Warih Maharani Wiyono Sutari