Article Per Year (5 Year)
p-Index From 2020 - 2025
4.566
P-Index
This Author published in this journals
All Journal Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Majalah Ilmiah Teknologi Elektro Jurnal INKOM Proceedings of KNASTIK Jurnal Teknologi Informasi dan Ilmu Komputer Journal of ICT Research and Applications Seminar Nasional Informatika (SEMNASIF) ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika JOURNAL OF ELECTRICAL AND SYSTEM CONTROL ENGINEERING KOMPUTIKA - Jurnal Sistem Komputer Jurnal Abdimasa TELKA - Telekomunikasi, Elektronika, Komputasi dan Kontrol JMECS (Journal of Measurements, Electronics, Communications, and Systems) Jurnal Teknik Informatika (JUTIF) Almufi Jurnal Pengabdian kepada Masyarakat Prosiding Konferensi Nasional PKM-CSR Jurnal Ilmiah Teknik Mesin, Elektro dan Komputer (JURITEK) eProceedings of Engineering Majalah Ilmiah Teknologi Elektro
Koredianto Usman
Universitas Telkom
Religion Humanities Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Mathematics Nursing Public Health Social Sciences Other

Published : 40 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 14 Documents
Search
Journal : eProceedings of Engineering

 1   2 
Klasifikasi Kendaraan Roda Empat Dengan Ekstraksi Ciri Hybrid Berbasis Jaringan Syaraf Tiruan Gryaningrum Widi Pangestuti; Koredianto Usman; Bedy Purnama
eProceedings of Engineering Vol 3, No 2 (2016): Agustus, 2016
Publisher : eProceedings of Engineering

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

Abstract

Kepadatan volume kendaraan sudah menimbulkan efek yang buruk. Kemacetan dan pencemaran lingkungan adalah dampak yang sulit dihindari dari bertambahnya kendaraan bermotor di berbagai daerah. Untuk mempermudah pengolahan data statistik pertumbuhan kendaraan diperlukan sebuah program yang dapat mengelompokkan kendaraan-kendaraan tersebut secara otomatis. Dalam Tugas Akhir ini kendaraan beroda empat atau lebih akan dikelompokkan ke dalam tiga kelompok yaitu sedan, mini bus, dan mobil besar. Untuk membedakan ketiga jenis tersebut diperlukan ciri yang bisa membedakan ketiga kelompok tersebut dengan baik. Metode ekstraksi ciri hybrid yang digunakan adalah dengan menggabungkan ciri ukuran dan warna dari setiap kendaraan. Selanjutnya akan dilatih dan diuji dengan menggunakan algoritma jaringan syaraf tiruan Radial Basis Function (JST RBF). Klasifikasi kendaraan didapat setelah melalui berbagai tahap preprocesing hingga menghasilkan objek kendaraan saja. Setelah itu dilakukan pencarian nilai parameter JST RBF agar memberikan hasil yang maksimal. Nilai spread 0.4 dan jumlah pusat maksimal dapat memberikan hasil yang cukup baik. Hasil pengujian pun akhirnya dapat mencapai nilai akurasi sebesar 77.52%. Kata kunci : klasifikasi kendaraan, ekstraksi ciri hybrid, JST RBF
Klasifikasi Intensitas Angin Siklon Tropis Pada Citra Inframerah Satelit Menggunakan Metode Svm Adam Agus Kurniawan; Koredianto Usman; R. Yunendah Nur Fuadah
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Dewasa ini, perubahan cuaca tidak dapat diprediksi karena adanya kejadian luar biasa akibat pemanasan global. Salah satu dampak perubahan iklim menyebabkan suburnya pertumbuhan angin siklon tropis di Bumi. Dalam mempermudah proses klasifikasi intensitas angin siklon tropis maka dibuatlah sebuah sistem yang berbasis machine learning. Algoritma yang digunakan dalam proses ekstraksi ciri adalah GLCM sedangkan pada proses klasifikasi adalah SVM. Pertama-tama, proses pengenalan citra inframerah dilakukan dengan mengekstraksi 14 fitur GLCM di ruang warna RGB, Ycbcr dan Grayscale. Selanjutnya, dilakukan proses kombinasi masing-masing sejumlah 3, 4 dan 5 fitur sebelum memasuki tahap klasifikasi. Pada masing-masing tahapan pengujian klasifikasi SVM dengan coding design OAO dan OAA akan di uji juga dengan penggunaan kernel Gaussian, Linear dan Polynomial termasuk juga pengaruh 3, 4 dan 5 fitur kombinasi GLCM untuk melihat pengaruhnya terhadap hasil akurasi. Dari proses pengujian ini, sistem dapat digunakan untuk mengklasifikasikan intensitas angin siklon tropis berbentuk citra inframerah dengan tingkat akurasi sebesar 88% yang sesuai dengan saffir-simpson hurricane wind scale. Kata kunci : Machine Learning, Siklon Tropis, Saffir-Simpson, GLCM, SVM Abstract Today, weather changes can’t be predicted due to extraordinary events due to global warming. One of the effects of climate change has led to the proliferation of tropical cyclone events on Earth. In facilitating the process of classification of tropical cyclone intensity, a machine learning based system was created. The algorithm used in the feature extraction process is GLCM while in the classification process is SVM. First of all, the infrared image recognition process is done by extracting 14 GLCM features in the RGB, Ycbcr and Grayscale color spaces. Next, a combination of 3, 4 and 5 features is carried out before entering the classification stage. At each stage of SVM classification testing with OAO and OAA coding design will also be tested with the use of Gaussian, Linear and Polynomial kernels including the influence of 3, 4 and 5 GLCM combination features to see the effect on the results of accuracy. From this testing process, the system can be used to classify tropical cyclone intensity in the form of infrared images with an accuracy rate of 88% which corresponds to the saffir-simpson hurricane wind scale. Keywords: Machine Learning, Tropical Cyclone, Saffir-Simpson, GLCM, SVM
Deteksi Kelebihan Kadar Kolesterol Melalui Citra Iris Mata Menggunakan Metode Gray Level Co-occurrence Matrix Dan Learning Vector Quantization Putri Marito; Jangkung Raharjo; Koredianto Usman
eProceedings of Engineering Vol 6, No 3 (2019): Desember 2019
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Seiring perkembangan zaman, teknologi mengalami perkembangan sangat pesat, begitu juga dengan perkembangan teknologi dalam bidang kesehatan. Saat menjalanin tes kesehatan rutin kita akan menjalani tes kolesterol yang memakan waktu lama dikarenakan pasien harus menjalanin puasa terlebih dahulu, dimana untuk mendapatkan hasil tes pun memakan waktu yang lama. Pada penelitian ini, penulis merancang sistem yang mendeteksi kadar kolesterol dalam tubuh manusia dengan mengidentifikasi citra iris mata lalu diekstraksi ciri dengan metode GLCM dan diklasifikasikan dengan metode LVQ. Citra iris mata diambil menggunakan kamera handphone sebagai data sistem. Data sistem terbagi menjadi data latih dan data uji. Setiap data dikelompokkan menjadi tiga kategori yaitu normal, berpotensi kolesterol dan kolesterol. Data sistem di preprocessing berupa cropping, resize, segmentasi, dan merubah citra RGB menjadi citra grayscale. Citra grayscale diekstraksi ciri dengan metode GLCM kemudian dilakukan proses klasifikasi dengan LVQ. Sistem melakukan proses pelatihan berupa data latih yang di preprocessing kemudian diekstraksi ciri dengan ketentuan parameter fitur, jarak piksel, arah/sudut, dan level kuantisasi. Kemudian, sistem mengklasifikasi data latih tersebut dengan ketentuan parameter epoch, dan hidden layer terhadap data latih kembali. Hasil dari proses pelatihan berupa parameter terbaik. Selanjutnya, sistem melakukan proses pengujian berupa data latih yang di preprocessing kemudian diekstraksi ciri dan diklasifikasi dengan ketentuan parameter terbaik terhadap data uji. Dari hasil pengujian, sistem yang dibangun mampu mendeteksi kadar kelebihan kolesterol melalui citra iris mata dan mengklasifikasikan kedalam tiga kelas yaitu berisiko kolesterol, kolesterol dan nonkolesterol dengan tingkat akurasi sebesar 98,67% dan waktu komputasi 0,039s menggunakan masing-masing 75 data latih dan data uji, dengan parameter orde dua yang digunakan adalah kontras-korelasi-homogenitas, jarak piksel (d) = 1, arah/sudut = 0° level kuantisasi (n) = 8, epoch 200 dan hidden layer 10. Kata Kunci: GLCM, LVQ, Citra iris mata, Kolesterol. Abstract Along with the times, technology has developed very rapidly, as well as technological developments in the health sector. When undergoing routine health tests we will undergo a cholesterol test that takes a long time because the patient must undergo fasting first, where to get the results of the test also takes a long time too. In this study, the authors designed a system that detects cholesterol levels in the human body by identifying the iris image then extracted features by the GLCM method and classified by the LVQ method. The iris image was taken using a cellphone camera as a data system. System data is divided into training data and test data. Each data is grouped into three categories namely normal, cholesterol and cholesterol potential. Preprocessing system data in the form of cropping, resizing, segmenting, and changing the RGB image into grayscale image. Grayscale image is extracted by GLCM method then classification process is done by LVQ. The system performs the training process in the form of training data which is preprocessed then features are extracted with the provisions of feature parameters, pixel spacing, direction / angle, and quantization level. Then, the system classifies the training data with the provisions of the epoch parameter, and the hidden layer of the training data again. The results of the training process are in the form of the best parameters. Furthermore, the system performs the testing process in the form of preprocessing training data then features are extracted and classified with the best parameter provisions of the test data. From the test results, the system that was built was able to detect levels of excess cholesterol through iris images and classify them into three classes namely risk of cholesterol, cholesterol and non-cholesterol with an accuracy rate of 98,67% and computing time of 0.039s using 75 each training data and test data, with secondorder parameters used are contrast-correlation-homogeneity, pixel spacing (d) = 1, direction = 0° quantization level (n) = 8, epoch 200 and hidden layer 10. Keywords: GLCM, LVQ, iris image, Cholesterol.
Klasifikasi Penyakit Paru-paru Berbasis Pengolahan Citra X Ray Menggunakan Convolutional Neural Network (classification Of The Lung Diseases Based On X Ray Image Processing Using Convolutional Neural Network) Razief Moch Diar; R. Yunendah Nur Fu’Adah; Koredianto Usman
eProceedings of Engineering Vol 9, No 2 (2022): April 2022
Publisher : eProceedings of Engineering

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

Abstract

k Penyakit pada paru-paru merupakan gangguan yang cukup serius dimana dapat menyerang sistem pernapasan manusia dan bisa berakibat fatal jika tidak ditangani dengan serius. Pada saat ini deteksi penyakit pada paru-paru masih dilakukan secara manual oleh para dokter ahli, namun proses secara manual memakan waktu lama. Oleh karena itu, dalam tugas akhir ini dibuat sistem yang dapat mendeteksi dan mengklasifikasi penyakit paru-paru dengan otomatis.Pada Tugas Akhir ini merancang sistem otomatis untuk mengklasifikasi kondisi paru-paru berdasarkan citra x-ray paru-paru berbasis Convolutional Neural Network (CNN) menggunakan arsitektur MobileNet. Perancangan pada sistem dibagi menjadi beberapa tahapan dimulai dari menginput data citra x-ray paru-paru, tahap selanjutnya preprocessing, pada penelitian ini menggunakan dua jenis preprocessing, yaitu CLAHE, dan Gaussian filter, lalu dari hasil preprocessing dilakukan tahap pelatihan dengan dua jenis optimizer yang berbeda, yaitu Stochastic Gradient Descent (SGD), dan Adaptive moment (Adam). Tahap terakhir mengkalisifikasikan data citra menjadi empat kelas, yaitu Viral Pneumonia, Coronavirus Disease-19 (Covid-19), Normal dan Tuberculosis. Hasil akhir dari penelitian ini menunjukan optimizer terbaik yaitu Adam menggunakan preprocessing CLAHE pada epoch 50 dan menghasilkan nilai akurasi sebesar 94,687 dan loss sebesar 0,148. Selain itu juga diperoleh hasil dari performansi sistem berupa presisi 95%, recall 93%, dan F-1 score sebesar 94%. Kata Kunci : CNN, MobileNet, citra x-ray paru-paru, Viral Pneumonia, Coronavirus Disease-19 (Covid-19), Normal, Tuberculosis. Abstract Diseases of the lungs are quite serious disorders which can attack the human respiratory system and can be fatal if not treated seriously. At this time the detection of disease in the lungs is still check manually by expert doctors, but manual process takes a long time. Therefore, in this final project, a system is made that can detect and classify lung diseases automatically. using MobileNet architecture. The design of the system is divided into several stages starting from inputting lung x-ray image data, the next stage is preprocessing, in this study using two types of preprocessing, namely CLAHE, and Gaussian filters, then from the results of preprocessing, the training phase is carried out with two types of optimizers that different, namely Stochastic Gradient Descent (SGD), and Adaptive moment (Adam). The last stage is to classify image data into four classes, namely Viral Pneumonia, Coronavirus Disease-19 (Covid-19), Normal and Tuberculosis. The final result of this study shows that the best optimizer is Adam using CLAHE preprocessing on epoch 50 and produces an accuracy value of 94,687 and a loss of 0.148. In addition, the results of the system performance are 95% precision, 93% recall, and an F-1 score of 94%. Keywords: CNN, MobileNet, lung x-ray images, Viral Pneumonia, Coronavirus Disease-19 (Covid-19), Normal, Tuberculosis
Surveillance System Scheme using Multi-detection Attribute with Optimized Neural Network Algorithm on Intelligent Transportation System Akhmad Yusuf Nasirudin; Koredianto Usman; Suryo Adhi Wibowo
eProceedings of Engineering Vol 10, No 3 (2023): Juni 2023
Publisher : eProceedings of Engineering

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

Abstract

Abstract- Intelligent Transportation System (ITS) combines a transportation system with Information and Communication Technology (ICT) system, where ICT system plays a role in adding functionality in the form of intelligence resembling human intelligence to the transportation system. The combination allows humans to know the real state of the transportation system including transportation components, such as the status of the road, objects around the vehicle, and the state of the vehicle, thus enabling humans to optimize the transportation system. For example, if there is a group of thief that using a van on the road, we can fasten the process to detect where is the route that used by the thief by adding a vehicle detector on the traffic light camera. This detector will be work better if the detector can detect the van in real-time and in a high resolution image. This work will discuss on how to increase the detector system performance on inference time (fps) and accuracy using HRNet and FCOS. HRNet is a high resolution image network architecture that can process image in a multiple resolution (low, medium, high) to maintain the high resolution but still have an enough image feature to process, while FCOS is a one stage anchor-free detector, so it can detect the object faster than the anchor-based detector. The performances was even more better when we add a warm up training before the training process. Our experimental results shows that our system has a better result compared with the reference result using same dataset and hyperparameter. It also has a better result compared with the reference result that using the reference dataset and hyperparameter.Keywords- intelligent transportation system; objet detection; vehicle detection; attribute detection; computer vision; image processing; surveillance system.
Penerapan Metode Clustering Dengan Algoritma K-Means Untuk Analisa Persebaran Varian Covid-19 (Studi Kasus Kelurahan Antapani Kidul) Mochamad Noverian Zhafar; Koredianto Usman; Fityanul Akhyar
eProceedings of Engineering Vol 10, No 5 (2023): Oktober 2023
Publisher : eProceedings of Engineering

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

Abstract

Pandemi COVID-19 merupakan peristiwapersebaran penyakit yang terjadi di seluruh dunia. Berbagainegara telah berupaya untuk memberhentikan pergerakanvirus tersebut agar tidak terjadi gelombang akibat virus yangberevolusi dan melahirkan varian baru. Pada umumnya, datapersebaran dari suatu wilayah sangat diperlukan oleh parapraktisi Kesehatan untuk meneliti lajur dan kemungkinanterjadinya gelombang ataupun ditemukannya varian baru darivirus SARS-Cov-2. Penelitian ini bertujuan untuk menganalisapersebaran varian COVID-19 di kelurahan Antapani Kidul,kota Bandung dari segala aspek perbedaan dari setiapvariannya.Metode dalam penelitian ini yaitu menggunakan teknikclustering dengan penggunaan alur data mining yangmenerapkan algoritma K-Means. Algoritma K- Meansmenggunakan dataset yang digunakan untuk mengelompokandata berdasarkan kriteria pendukung berupa tingkatpenularan, tingkat transmisi komunitas, dan juga sejumlahdampaknya pada imunitas pasien pengidap COVID- 19.Dalam penelitian ini juga diukur akurasi dari performansimetode clustering menggunakan algoritma K-Means denganmembandingkannya dengan empat metode lain, yaituDBSCAN, Gaussian Mixture, Agglomerative Clustering, danSpectral Clustering dengan menggunakan tabel PerformanceMetrics dengan empat parameter pengukuran yang disebutmain metrics, yang merupakan Silhouette Score, Calinski-Harbasz Index, Davies Bouldien Index, dan Rand Index.Kata kunci: COVID-19, Varian, Algoritma K-Means,Clustering, Kriteria, Persebaran, Performance Metrics.
Klasifikasi Jenis Beras Berbasis Citra Dengan Menggunakan Deep Learning Chelsya Dwi Marnelius; Koredianto Usman; Nor Kumalasari Caecar Pratiwi
eProceedings of Engineering Vol 10, No 5 (2023): Oktober 2023
Publisher : eProceedings of Engineering

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

Abstract

Beras merupakan salah satu bahan pangan serealiayang paling banyak dikonsumsi oleh masyarakat Asia,termasuk di Indonesia. Setiap beras memiliki kemiripanbentuk bulir dan warna yang relatif hampir sama, sehinggaproses mengidentifikasi jenis beras secara visual dinilai masihcukup sulit, dan untuk mengurangi kemungkinan terjadinyahuman error. Oleh karena itu, pengolahan citra digital dapatdigunakan dalam melakukan klasifikasi jenis berasmenggunakan metode Convolutional Neural Network (CNN)dengan arsitektur Residual Network (ResNet-50).Dataset yang digunakan dalam penelitian ini berjumlah 2500citra yang diperoleh dari website Kaggle, berupa citra bulirberas putih yang terdiri dari 5 kelas yaitu Arborio, Basmati,Ipsala, Jasmine, dan Karacadag. Tahapan diawali denganmelakukan preprocessing yaitu resize ukuran citra dannormalisasi citra, lalu dilakukan pembagian dataset sebagaidata latih dan data uji. kemudian selanjutnya dilakukanekstraksi ciri dan klasifikasi menggunakan kombinasihyperparameter input size, optimizer, learning rate, danbatch size untuk mendapatkan hasil model terbaik.Kemudian di tahap akhir hasil akan dianalisis denganparameter akurasi dan loss.Melalui penelitian ini diperoleh hasil akhir pengujian terbaikpada penggunaan parameter input size 64×64 piksel,optimizer Adam, learning rate 0,001, dan batch size 64,dengan hasil validation accuracy sebesar 98,20% dan loss0,1109.Kata Kunci: jenis beras, CNN, ResNet-50.
Pemanfaatan Convolutional Neural Network (Cnn) Untuk Klasifikasi Jenis Beras Berbasis Citra Victor Aji Admaja Pellokila; Koredianto Usman; Nor Kumalasari Caecar Pratiwi
eProceedings of Engineering Vol 10, No 5 (2023): Oktober 2023
Publisher : eProceedings of Engineering

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

Abstract

Beras merupakan makanan pokok untuk orangAsia, terutama di Indonesia. Untuk melakukan pengolahan padimenjadi beras, ada dua hal yang harus dilakukan yaitu dengancara tradisional seperti ditumbuk dan ada juga seperti caramodern seperti penggilingan menggunakan mesin. Seperti yangdiketahui, banyak jenis beras yang telah beredar di pasaran.Dengan adanya beragam jenis beras yang beredar, tentu jugaada hal yang tidak bisa dilakukan oleh manusia dalammengklasifikasi jenis beras dengan mengandalkan inderapenghilatan saja. Maka dari itu, pengolahan citra digital dapatberperan penting agar dapat memudahkan manusia untukmengklasifikasi jenis beras. Tujuan penelitian ini, untukmengklasifikasikan jenis beras dengan menggunakan metodeConvolutional Neural Network (CNN) arsitektur AlexNetberbasis pengolahan citra. Adapun dataset yang digunakanpada penelitian berjumlah 2500 citra yang bersumber dariKaggle, dimana ada lima jenis beras yang akan diklasifikasikanyaitu beras arborio, beras basmati, beras ipsala, beras jasminedan beras karacadag. Pada penelitian ini parameter yang akandianalisis adalah akurasi, loss, presisi, recall, dan F1-Score. Ditiap pengujian, akan dilakukan empat skenario pengujianterhadap hyperparameter berupa input size, optimizer,learning rate, batch size. Dari pengujian yang telah dilakukandidapatkan hasil terbaik dengan citra asli menggunakan inputsize 128×128, optimizer SGD, learning rate 0.0001, dan batchsize 32. Berdasarkan dari hasil pengujian tersebut, test accuracyyang didapatkan sebesar 98.40% dengan testing loss 0.0659Kata kunci— Jenis Beras, CNN, Deep Learning, AlexNet.
Frontend Website Implementation for Breast Cancer Classification System Using Machine Learning Wardani , Shania; Wibowo, Suryo Adhi; Usman, Koredianto
eProceedings of Engineering Vol. 12 No. 2 (2025): April 2025
Publisher : eProceedings of Engineering

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

Abstract

Early detection of breast cancer is essential to improve patient survival rates. One way to be used for such detection is to develop a classification system based on genomic data, which can provide more accurate and efficient results. This study aims to design and implement a Streamlit-based website frontend, which functions as a breast cancer classification system interface using Machine Learning technology. This user interface is designed with ease of use and optimal user experience, allowing medical personnel to quickly access and understand the analysis results. The main features of this website include an educational dashboard about breast cancer, a simple and structured patient data input form, and predictive analysis results displayed in an interactive format and can be downloaded for further documentation purposes. Tests conducted on the front of this website show that the system response time to display the analysis results is no more than 5 minutes, making it an efficient solution in supporting medical decision-making. With an intuitive and easily accessible interface, this website makes it easy for medical personnel to perform breast cancer analysis faster and more accurately, supporting more effective early detection efforts. Keywords: Streamlit, User Interface, Breast Cancer, Website
Implementation of Machine Learning for Breast Cancer Classification Based on Genomic Data: Backend Solution with Supabase and Streamlit Humayra, Tia Hasna; Wibowo, Suryo Adhi; Usman, Koredianto
eProceedings of Engineering Vol. 12 No. 2 (2025): April 2025
Publisher : eProceedings of Engineering

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

Abstract

Breast cancer remains one of the leading causes of cancer-related deaths worldwide, highlighting the need for accurate and efficient diagnostic tools. This study focuses on implementing machine learning models, particularly Artificial Neural Networks (ANN), to classify breast cancer types based on genomic data. Using the METABRIC RNA Mutation dataset, the system combines a cloud-based backend with Supabase and an intuitive frontend built with Streamlit. To ensure data compatibility with the models, preprocessing steps such as standardization, label encoding, and one-hot encoding are applied. TensorFlow is used to load models saved in .h5 format, with two approaches tested: a 30-feature model achieving 99% accuracy and an average prediction time of 80 milliseconds, and a 6-feature model achieving 100% accuracy with a faster prediction time of 42.25 milliseconds. Prediction results are stored securely in Supabase, complete with timestamps for tracking and exported as PDF reports for easy documentation. Data security is prioritized through the use of API keys, JWT tokens, and Streamlit secret management to safeguard sensitive information. The integration of Supabase for backend processing, Streamlit for real-time visualization, and GitHub for CI/CD automation results in a scalable, reliable, and efficient system. This study presents a robust solution for breast cancer classification, providing real-time predictions, secure data handling, and a user-friendly interface suitable for clinical and research applications. Keywords— breast cancer classification, artificial neural network, genomic data, Supabase, Streamlit, real-time prediction, data security.
Co-Authors Achmad Rizal Achmad Rizal Achmad, Fariz Adam Agus Kurniawan Afif Priyambodo Akbar Trisnamulya Putra Akhmad Yusuf Nasirudin Alfarizi, Muhammad Alfian Andriyan B. Suksmono Andriyan Bayu Suksmono, Andriyan Bayu ARIS HARTAMAN Bambang Hidayat Bedy Purnama Budiyanto, Anggara Chelsya Dwi Marnelius Denny Darlis Denta Rahmadani Eriel Mar Fiky Y. Suratman Fityanul Akhyar Gryaningrum Widi Pangestuti Gusti Ngurah Rama Putra Atmaja Hanung Tyas Saksono Hendra Gunawan Hendra Gunawan Heri Syahrian, Heri Heroe Wijanto Huljannah, Miftah Humayra, Tia Hasna Imanadi, Muhammad Tsabit Imanadi Ivy Anindhita Hadyningtyas Jangkung Raharjo Julyano , Muhammad Billy Kalfika Yani Ledya Novamizanti Maharani , Kartika Dwi Maharani, Kartika Dwi Mochamad Noverian Zhafar Muhammad Ary Murti Noor Akhmad Gilar Romadhon Nor Kumalasari Caecar Pratiwi Nur Ibrahim Nurinda Fadhilah Amani Nurinda Fadhilah Amani Putranto, Devdan Wisesa Putri Marito R. Irawan Satria Putra R. Yunendah Nur Fu’adah Radhibilla, Maulaya Radian Sigit Raditiana Patmasari Rahmayati Alindra Razief Moch Diar Rita Magdalena Runik Machfiroh Rustam Sigit, Radian Singgih Yuliyanto SOFIA SAIDAH Sugondo Hadiyoso Suryo Adhi Wibowo Susmini Indriani Lestariningati Syahanifa , Nancy Olivia Syahanifa, Nancy Olivia Tita Haryanti Tsabita Al Asshifa Hadi Kusuma Victor Aji Admaja Pellokila Vitria Puspitasari Rahadi Wardani , Shania Yuliyanto, Singgih