Article Per Year (5 Year)
p-Index From 2021 - 2026
3.441
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering IAES International Journal of Artificial Intelligence (IJ-AI) International Journal of Advances in Applied Sciences Jurnal Ilmiah Informatika Komputer Jurnal Ilmiah Teknologi dan Rekayasa UG Journal Telematika Scientific Journal of Informatics CESS (Journal of Computer Engineering, System and Science) InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan Jurnal Ilmiah KOMPUTASI JURNAL MEDIA INFORMATIKA BUDIDARMA CogITo Smart Journal Jurnal Informatika Universitas Pamulang ILKOM Jurnal Ilmiah Jurnal Nasional Teknik Elektro dan Teknologi Informasi ICONESTH Jurnal Pengabdian Kepada Masyarakat Darma Saskara Prosiding SeNTIK STI&K
Rifki Kosasih
Universitas Gunadarma
Agriculture, Biological Sciences & Forestry Arts Humanities Automotive Engineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Materials Science & Nanotechnology Mathematics Neuroscience Nursing Physics Public Health Social Sciences Other

Published : 33 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search
Journal : CESS (Journal of Computer Engineering, System and Science)

 1 
Kombinasi Metode ISOMAP Dan KNN Pada Image Processing Untuk Pengenalan Wajah Rifki Kosasih
CESS (Journal of Computer Engineering, System and Science) Vol 5, No 2 (2020): JULI 2020
Publisher : Universitas Negeri Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (651.855 KB) | DOI: 10.24114/cess.v5i2.18982

Abstract

Wajah manusia memiliki ciri khusus yang dapat membedakan dengan orang lainnya sehingga pengenalan wajah sangat penting dilakukan untuk mengenali seseorang. Ciri khusus pada wajah ini disebut juga dengan fitur. Pada penelitian ini, untuk mendapatkan fitur dilakukan pengenalan pola citra wajah dengan menggunakan metode isomap. Metode isomap merupakan salah satu metode dari manifold learning yang menghasilkan fitur-fitur dengan cara mereduksi dimensi. Citra wajah yang digunakan dalam penelitian ini terdiri dari 6 orang dengan tiap orang memiliki 4 citra wajah dengan ekspresi yang berbeda-beda. Data citra ini dibagi menjadi dua bagian yaitu data latih dan data uji. Selanjutnya data citra tersebut diubah menjadi vektor. Metode isomap digunakan untuk mentransformasikan vektor tersebut menjadi vektor yang mengandung fitur wajah. Setelah fitur wajah diperoleh, selanjutnya dilakukan pengujian pada data uji dengan menggunakan algoritma K Nearest Neighbor (KNN).  Algoritma K Nearest Neighbor digunakan untuk pengklasifikasian dengan cara mencari K data latih yang terdekat dengan data uji. Dari hasil klasifikasi diperoleh bahwa tingkat akurasi sebesar 83,33%.
Implementation of Random Forest on Face Recognition Using Isomap Features Rifki Kosasih; Achmad Fahrurozi; Desti Riminarsih
CESS (Journal of Computer Engineering, System and Science) Vol 7, No 2 (2022): July 2022
Publisher : Universitas Negeri Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24114/cess.v7i2.34498

Abstract

Sistem pengenalan wajah merupakan salah satu bidang yang digunakan untuk mengenali wajah seseorang. Dalam penelitian ini, data yang dikumpulkan merupakan data citra wajah yang terdiri dari 24 citra dengan komposisi 6 orang dan tiap orang memiliki 4 citra dengan berbagai ekspresi. Untuk mengenali wajah tersebut, dilakukan ekstraksi fitur wajah terlebih dahulu menggunakan metode isomap. Isomap merupakan metode reduksi dimensi yang dapat mereduksi dari dimensi tinggi menjadi fitur-fitur yang berdimensi rendah. Berdasarkan hasil ekstraksi diperoleh 4 fitur yang digunakan untuk mengklasifikasikan wajah. Untuk mengklasifikasikan wajah, digunakan algoritma random forest. Berdasarkan hasil penelitian diperoleh tingkat akurasi hasil klasifikasi sebesar 87,5%, nilai weighted average precision sebesar 81,25% dan nilai weighted average recall sebesar 87,5%.
Implementation of K Nearest Neighbor in Detecting Heart Disease with Various Training Data Rifki Kosasih; Iffatul Mardhiyah
CESS (Journal of Computer Engineering, System and Science) Vol 8, No 2 (2023): July 2023
Publisher : Universitas Negeri Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24114/cess.v8i2.44303

Abstract

Salah satu organ penting dalam tubuh manusia adalah jantung, Jika jantung mengalami gangguan maka dapat menyebabkan penyakit jantung. Untuk mendeteksi adanya penyakit jantung biasanya dilakukan dengan berkonsultasi dengan tenaga medis. Akan tetapi dengan semakin banyaknya pasien di rumah sakit akan dapat memperlambat pendeteksian penyakit jantung. Oleh karena itu dibutuhkan suatu sistem yang dapat membantu tenaga medis dalam mempercepat pendeteksian penyakit jantung. Dalam penelitian ini diusulkan untuk menggunakan pendekatan machine learning seperti metode K Nearest Neighbor (KNN) dalam mendeteksi penyakit jantung. Data yang digunakan sebanyak 1025 pasien dengan 13 fitur seperti umur, jenis kelamin, rasa sakit di dada, tekanan darah saat sedang istirahat, kadar kolesterol, gula darah, hasil elektrografik saat sedang istirahat, detak jantung maksimal, jika mengalami nyeri dada saat latihan, depresi yang diinduksi oleh latihan relatif, kemiringan puncak ST segmen, jumlah pembuluh darah yang berwarna setelah diwarnai flourosopy dan tipe kerusakan pembuluh darah. Pada penelitian ini dilakukan tiga skema pembagian data latih dan data uji dengan rasio 60:40, 70:30 dan 80:20. Berdasarkan hasil pengujian diperoleh bahwa tingkat akurasi, presisi dan recall tertinggi terjadi Ketika rasio data latih dan data uji 70:30 yaitu sebesar 97,0779% untuk akurasi, 97,9166% untuk presisi dan 95,9183% untuk recall.One of the important organs in humans is the heart. If the heart is disturbed, it can cause heart disease. To detect the presence of heart disease is usually done in consultation with doctor. However, with the increasing number of patients in the hospital, it will be able to slow down the detection of heart disease. Therefore, we need a system that can assist doctors in accelerating the detection of heart disease. In this study, we propose to use a machine learning approach i.e., K Nearest Neighbor (KNN) method in detecting heart disease. The data used were 1025 patients with 13 features i.e., age, gender, chest pain, blood pressure, cholesterol, blood sugar, electrographic results, maximum heart rate, if you experience chest pain during exercise, depression which exercise-induced relative, peak slope, number of blood vessels after fluoroscopy and type of vessel damage. In this study, we have three schemes in divide training data and test data with ratios of 60:40, 70:30 and 80:20. Based on the test results, it was found that the highest levels of accuracy, precision and recall occurred when the ratio of training data and test data was 70:30, which was 97.0779% for accuracy, 97,9166 for precision and 95,9183% for recall.
Co-Authors Achmad Fahrurozi Ahmad Sabri Aini Suri Talita Anggi Alberto Christian Daomara Desti Riminarsih Dewi Agushinta R. Dewi Putrie Lestari Didin Mukodim Dina Indarti Dyah Cita Irawati Dyan Prawita Sari Eko Sri Margianti Fadlia, Nur Fahrurozi, Achmad Fazriyati, Elyna Hendri Dwi Putra Hidayat Taufik Akbar Hutapea, Octaviani Iffatul Mardhiyah Ilmiyati Sari Ilmiyati Sari Mardhiyah, Iffatul Muhammad Arfiansyah Nurabsharina, Amanda Putri Nurma Nugraha Rahayu, Dicka Ariptian Revanza Raditya Putra Yanni Sarifuddin Madenda SUDARYANTO SUDARYANTO Suryadi Harmanto