Article Per Year (5 Year)
p-Index From 2021 - 2026
3.625
P-Index
This Author published in this journals
All Journal Jurnal Pengabdian UntukMu NegeRI JURTEKSI PengabdianMu: Jurnal Ilmiah Pengabdian kepada Masyarakat Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) Jurnal Computer Science and Information Technology (CoSciTech) Jurnal Pendidikan Jasmani Khatulistiwa Jurnal Sistem Informasi dan Teknik Informasi Filantropi: Jurnal Manajemen Zakat dan Wakaf SWARNA Journal Sport Academy (JSA) TAMIKA: Jurnal Tugas Akhir Manajemen Informatika & Komputerisasi Akuntansi Journal of Software Engineering and Information System (SEIS) Journal Sport Academy
Rahmad Firdaus
Fakultas Kedokteran Universitas Sumatera Utara
Religion Agriculture, Biological Sciences & Forestry Humanities Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Engineering Health Professions Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Medicine & Pharmacology Physics Public Health Social Sciences Other

Published : 22 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : jurnal computer science and information technology coscitech

 1 
Teknik SMOTE untuk Mengatasi Imbalance Data pada Deteksi Penyakit Stroke Menggunakan Algoritma Random Forest Mualfah, Desti; Fadila, Wahyu; Firdaus, Rahmad
Computer Science and Information Technology Vol 3 No 2 (2022): Jurnal Computer Science and Information Technology (CoSciTech)
Publisher : Universitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/coscitech.v3i2.3912

Abstract

Stroke merupakan penyakit yang berpotensi menyebabkan kelumpuhan bahkan kematian. Pada tahun 2022, stroke terdapat 12,2 juta kasus stroke baru yang menambah jumlah total penderita stroke sebesar 101,4 juta. Dari perolehan data maka diperlukan sebuah teknik yang mampu melakukan deteksi pada penyakit tersebut untuk membantu dalam mendeteksi penyakit stroke, dalam hal ini pendekatan machine learning sebagai salah satu solusi yang dapat digunakan untuk melakukan deteksi pada penyakit stroke. Namun sayangnya data yang diperoleh dalam mendeteki penyakit stroke ditemukan adanya imbalance class dalam menangani tidak imbangnya class sehingga dapat mempengaruhi hasil nilai akurasi dalam mendekteksi penyakit stroke, untuk itu dibutuhkan sebuah algoritma random forest dan metode SMOTE dalam menangani imbalance class. Output yang dihasilkan ialah berupa nilai akurasi, presisi, recall, dan f1-score pada algoritma random forest tanpa SMOTE sebesar 0.98, 0.69, 0.51, dan 0.51. Sedangkan algoritma random forest dengan SMOTE mendapatkan masing-masing sebesar 0.91, 0.92, 0.91, 0.91. Terjadi kenaikan signifikan pada presisi, recall, dan f1-score.
Convolutional Neural Network dengan Arsitektur InceptionV3 untuk Klasifikasi Citra Makanan Berdasarkan Asal Daerah Jawa dan Sumatera Khasanah, Diva Nayla; Firdaus, Rahmad
Computer Science and Information Technology Vol 7 No 1 (2026): Jurnal Computer Science and Information Technology (CoSciTech)
Publisher : Universitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/coscitech.v7i1.11331

Abstract

This study aims to improve the accuracy of classifying traditional food images based on the regions of Java and Sumatra using the Convolutional Neural Network (CNN) algorithm with the InceptionV3 architecture. Traditional foods from these two regions are often difficult to distinguish due to visual similarities. The dataset consists of 472 food images processed through segmentation, augmentation, and rescaling. The InceptionV3 model was selected for its ability to capture complex visual patterns with high efficiency. The training process employed the Adam optimizer, a learning rate of 0.001, and a 50% dropout regularization technique to prevent overfitting. The model was evaluated using accuracy, precision, recall, and F1-score metrics. The results show that the model achieved an accuracy of 90.42%.precision of 91.07%, recall of 92.72%, and F1-score of 90%, significantly improving compared to previous research, which only achieved an accuracy of 64% using CNN without a specific architecture. This study is expected to contribute to the preservation of local culinary culture and support the promotion of tourism and technology-based culinary industries in Indonesia.
Co-Authors Aditya Ahmad Fauzi Alris Gusnanda Amran, Hasanatul Fu'adah Andinata Anton, Anton Kurnia Hadisaputro Bayu Anugerah Putra Br Bangun, Elsi Titasari Dewi, Virna Dian Utami Dicky Pratama Eko Riyadi, Eko Fadila, Wahyu Fakhira Frisya Ramadhani Fatma, Yulia Fithriawan Nugroho Fitri Handayani Fitri, Nurkhairi Fu'adah Amran, Hasanatul Gunawan, Rahmad Hanum Salsabila Harun Mukhtar Hayami, Regiolina Hermanto Hermanto Jihan Aulia Karan Khasanah, Diva Nayla Marna, Marna Maryani, Cik Maryati Maryati Mualfah, Desti Muarif, Putri Fadhilla Muhammad Suhairi, Prihatin, Ananda Putra, Gope Mandala Rafdi, Faris Abi Rajaguguk, Rifaldi Febriansyah Rezeki, Nadia Sri Rico Apriandika Rizqy, Riza Rindriani Sartika, Cici Septiana Srinandini Soni Suhardi Suhardi Sunanto Sunanto Sunanto Suwanto, Fredy Syahril Syahril Taufiq, Reny Medikawati Wahyudi, Ashari Yeremia, Deryl Andeya Zidan, Abiyyu Al Thoriq Zusyah Porja Daryanto