Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Masyarakat Informatika INFOKAM
Feri Agustina
Universitas Dian Nuswantoro
Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Social Sciences

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Identifikasi Citra Daging Ayam Kampung dan Broiler Menggunakan Metode GLCM dan Klasifikasi-NN Feri Agustina; Zulfikar Amri Ardiansyah
Jurnal Ilmiah Infokam Vol 16, No 1 (2020): Nomor I/Th. XVI/Maret 2020
Publisher : AMIK Jakarta Teknologi Cipta Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53845/infokam.v16i1.196

Abstract

Terdapat 2 jenis ayam yang sering dikonsumsi oleh masyarakat Indonesia yaitu ayam kampung dan ayam broiler. Seiring tingkat konsumsi daging ayam yang tinggi oleh masyarakat sehingga masyarakat tidak tahu bahwa cara pemeliharaan dan berternak kedua ayam ini berberda sehingga kandungan daging dan ciri daging ayam tersebut berbeda. Masyarakat sering tidak peduli dan tidak tahu ciri daging tersebut saat sudah menjadi potongan daging dan bebrapa masyarakat yang memiliki penyakit tertentu tidak boleh mengkonsumsi ayam broiler. Perbedaan jenis daging tersebut akan lebih akurat jika dilakukan menggunakan teknologi berbasis pengolahan citra digital untuk membantu membedakan jenis daging ayam kampung dan broiler. Maka mengidentifikasi jenis daging ayam dilakukan menggunakan ekstraksi tekstur Gray Level Co-Occurance Matrix dan mengklasifikasi jenis ayam menggunakan algoritma K-Nearest Neighbours. Pada tahap awal citra daging ayam berupa RGB diubah menjadi citra grayscale karena metode GLCM mengekstraksi fitur dengan menghitung level keabuan ketetanggaan. Hasil dari ekstraksi fitur tersebut berupa nilai matriks yang terdiri dari contrast, correlation, energy, dan homogeneity. Pada penelitian ini dilaksanakan untuk menguji performa algoritma K-Nearest Neighbors dalam mengklasifikasi jenis daging ayam kampung dan ayam broiler. Akurasi tertinggi adalah 85%  pada sudut 0° dengan jarak piksel 2 dan nilai K=3.
Rekayasa Perangkat Lunak Sistem Keuangan Pada Lazismu Kota Semarang Feri Agustina; Daurat Sinaga
Jurnal Ilmiah Infokam Vol 16, No 2 (2020): Nomor II/Th. XVI/September 2020
Publisher : AMIK Jakarta Teknologi Cipta Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53845/infokam.v16i2.253

Abstract

Penggunaan Teknologi Informasi sangat membantu dalam pengelolaan data dan transaksi yang cepat dan akuntabel. Berdirinya LAZISMU dimaksudkan sebagai institusi pengelola zakat dengan manajemen modern yang dapat menghantarkan zakat menjadi bagian dari penyelesai masalah (problem solver) sosial masyarakat yang terus berkembang. Setiap transaksi donasi dari para muzaki harus dikelompokkan sesuai tuntunan dan pada saat melakukan penyaluran (tasyaruf) juga harus mengikuti ketentuan yang ada. Tidak semua hasil donasi dapat disalurkan kepada setiap golongan mustahik, kecuali dengan syarat khusus. Perangkat lunak ini membantu mengelompokkan setiap akun donasi dan tasyaruf sekaligus membuat laporan keuangan secara menyeluruh agar pengelolaan dana lebih cepat dan transaparan.
Regionprops Segmentation in Convolutional Neural Network for Identification of Lung Cancer Disease and Position Zahra Ghina Syafira; Christy Atika Sari; Ibnu Utomo Wahyu Mulyono; Feri Agustina; Suprayogi Suprayogi; Mohamed Doheir
Jurnal Masyarakat Informatika Vol 16, No 2 (2025): November 2025
Publisher : Department of Informatics, Universitas Diponegoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.14710/jmasif.16.2.73967

Abstract

Lung cancer is one of the leading causes of death in the world, so early detection is very important to increase the chances of patient recovery. This study aims to develop a method for identifying lung cancer types using Convolutional Neural Network (CNN) combined with Regionprops segmentation technique to determine the position of cancer in CT scan images. The dataset used consists of 1,294 CT scan images classified into three classes, namely Benign, Malignant, and Normal, with variations in the ratio of training and testing data: 80:20, 70:30, 60:40, 50:50, and 40:60. The CNN method is used to perform classification, while the Regionprops segmentation technique is applied to determine the position of the cancer. The results showed that the model with a data ratio of 80:20 achieved the highest accuracy of 99.54%, indicating a very good generalization ability of the model. The Regionprops segmentation technique successfully separated the nodule area in the CT scan image clearly, thus providing more detailed information regarding the position of the cancer. The conclusion of this study shows that the combination of CNN and Regionprops segmentation methods is effective in detecting and analyzing lung cancer and has the potential to be used as a diagnostic tool in the medical field. This study recommends further testing with a larger dataset and optimization of model parameters to improve classification and segmentation performance.
Co-Authors Christy Atika Sari Ibnu Utomo Wahyu Mulyono Mohamed Doheir Sinaga, Daurat Suprayogi Suprayogi Zahra Ghina Syafira Zulfikar Amri Ardiansyah