Article Per Year (5 Year)
p-Index From 2021 - 2026
5.014
P-Index
This Author published in this journals
All Journal Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Techno.Com: Jurnal Teknologi Informasi TELKOMNIKA (Telecommunication Computing Electronics and Control) Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI) Jurnal Edukasi dan Penelitian Informatika (JEPIN) ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika JOIV : International Journal on Informatics Visualization JOURNAL OF ELECTRICAL AND SYSTEM CONTROL ENGINEERING Jurnal Ilmiah FIFO Seminar Nasional Pendidikan IPA MIND (Multimedia Artificial Intelligent Networking Database) Journal Jurnal Abdimasa TELKA - Telekomunikasi, Elektronika, Komputasi dan Kontrol TEKTRIKA - Jurnal Penelitian dan Pengembangan Telekomunikasi, Kendali, Komputer, Elektrik, dan Elektronika JMECS (Journal of Measurements, Electronics, Communications, and Systems) Aiti: Jurnal Teknologi Informasi Jurnal Teknik Informatika (JUTIF) Prosiding SNAST Jurnal Ilmu Komputer dan Informatika eProceedings of Engineering Jurnal Nasional Sains dan Teknik
Rita Magdalena
Universitas Telkom
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Materials Science & Nanotechnology Mechanical Engineering Other

Published : 129 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 91 Documents
Search
Journal : eProceedings of Engineering

 6   7   8   9   10 
Klasifikasi Retinopati Diabetik Pada Citra Mata Digital Menggunakan 3d Glcm Dengan Learning Vector Quantization Ilma Rahma Dewi; Rita Magdalena; R. Yunendah Nur Fu'adah
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 Retinopati diabetik merupakan salah satu komplikasi penyakit diabetes melitus yang terjadi pada retina mata dan dapat menyebabkan kebutaan. Penderita tidak merasakan gejala pada tahap awal, tetapi penglihatan mendadak hilang jika telah terjadi kerusakan yang sangat parah pada retina. Pemeriksaan medis retinopati diabetik dilakukan secara langsung oleh dokter dengan mengamati citra fundus retina pasien. Hasil citra retina dari kamera fundus tidak dapat memberikan informasi secara jelas sehingga dokter membutuhkan waktu yang relatif lama untuk menganalisis citra tersebut. Oleh karena itu, dirancang sebuah sistem untuk klasifikasi retinopati diabetik dengan waktu yang efisien. Sistem dibuat dengan menerapkan pengolahan citra digital menggunakan metode 3D Gray Level Cooccurrence Matrix untuk ekstraksi ciri. Hasil ekstraksi ciri kemudian diklasifikasikan menggunakan metode Learning Vector Quantization berdasarkan tingkat keparahan penyakit retinopati diabetik yaitu normal, Mild NPDR, Moderate NPDR, Severe NPDR dan proliferative diabetic retinopathy (PDR). Data yang digunakan pada sistem ini didapat dari EyePACS Retinal Reading Program yang berjumlah 250 data dengan pembagian masingmasing 175 data latih dan 75 data uji. Hasil pengujian yang telah dilakukan pada sistem ini mendapatkan akurasi 93.33% dengan waktu komputasi sebesar 0.7195 detik pada jarak antar piksel (d) = 1, sudut orientasi (θ) = 90º,45o menggunakan ciri statistik kontras, korelasi, energi dan homogenitas, serta hidden layer = 5 dan epoch = 500. Kata Kunci: Retinopati Diabetik, 3D GLCM, Learning Vector Quantization. Abstract Diabetic retinopathy is one of the complications of diabetes mellitus that occurs in the retina of the eye and can cause blindness. Patients do not feel the symptoms at an early stage, but sudden vision disappears if there has been very severe damage to the retina. Medical examination to diabetic retinopathy is handled by the doctor by observing the patient's retinal fundus image. Retinal image results from fundus cameras cannot provide clear information, so the doctors take a relatively long time to analyze the image. Therefore, a system is designed to classification of diabetic retinopathy in an efficient time. The system is created by applying digital image processing using the 3D Gray Level Co-occurrence Matrix method for features extraction. The results of the features extraction are then classified using the Learning Vector Quantization method based on the severity of diabetic retinopathy, which are normal, Mild NPDR, Moderate NPDR, Severe NPDR and proliferative diabetic retinopathy (PDR). The system using data obtained from EyePACS Retinal Reading Program with the amount of 250 data and devided into 175 training data and 75 testing data. The results of the tests that have been done on this system obtained the accuracy of 93.33% with computation time of 0.7195 seconds of pixel distance (d) = 1, orientation angle (θ) = 90º,45o by using statistic features contrast, correlation, energy and homogeneity, also hidden layer = 5 and epoch = 500. Keywords: Diabetic Retinopathy, 3D GLCM, Learning Vector Quantization.
Klasifikasi Kanker Usus Besar Menggunakan Metode Ekstraksi Ciri Principal Component Analysis Dan Klasifikasi Support Vector Machine Agung Aditama Putra; Rita Magdalena; R. Yunendah Nur Fu'adah
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 Kanker kolektal adalah salah satu jenis kanker ganas yang terdapat pada usus besar (kolon) dan bagian paling bawah dari usus besar yang terhubung ke anus (rectum) karena gaya hidup yang tidak sehat. Ada beberapa jenis kanker usus besar yang menyerang manusia yaitu Sarcoma, Lymphoma, dan Carcinoma. Sistem yang dirancang ini untuk melakukan sebuah simulasi klasifikasi terhadap citra usus besar menggunakan metode Support Vector Machine (SVM) sebagai klasifikasi ciri. Dan Principal Analysis Component (PCA) sebagai ekstraksi ciri. Hasil dari Tugas Akhir ini adalah suatu sistem yang mampu melakukan identifikasi jenis penyakit kanker usus besar yang terdiri dari penyakit carcinoma, lymphoma, dan usus normal pada manusia. Sistem ini memiliki performansi nilai akurasi tertinggi 74.4% dengan waktu komputasi 6,4654 detik menggunakan 108 data citra latih dan 60 citra uji. Hasil ini menggunakan data uji ukuran 64 × 64 piksel, citra warna green, parameter statistik Entropy, Mean, dan Skewness pada PCA. Pada klasifikasi Support Vector Machine (SVM) menggunakan Kernel Radian Basis Function (RBF), dan pembagian multiclass One-Against-One (OAO). Kata Kunci: Usus Besar, kanker kolektal, PCA, SUPPORT VECTOR MACHINE (SVM) Abstract Collectal cancer is one type of malignant cancer found in the large intestine (colon) and the lowest part of the large intestine that is connected to the anus (rectum) due to an unhealthy lifestyle. There are several types of colon cancer that attack humans, namely Sarcoma, Lymphoma, and Carcinoma. The design of this system to simulate the classification of large intestine images using the Support Vector Machine (SVM) method as a feature classification. And Principal Analysis Component (PCA) as feature extraction. The results of this Final Project are a system that can identify types of colon cancer consisting of normal carcinoma, lymphoma and intestinal disease in humans. This system has the highest accuracy value of 74.4% with a computing time of 6.4654 seconds using 108 training image data and 60 test images. These results use 64 × 64 pixel test data, green color images, Entropy, Mean, and Skewness statistical parameters on PCA. The Support Vector Machine (SVM) classification uses the Kernel Radian Basis Function (RBF), and the multiclass One-Against-One (OAO) distribution. Keywords: Colon, colorectal cancer, PCA, SUPPORT VECTOR MACHINE (SVM)
Deteksi Adanya Zat Narkotika Berbasis Citra Berdasarkan Tekstur Dengan Filter Gabor Wavelet Dan Metode K-nearest Neighbour Rama Arjun Setiawan; Rita Magdalena; Sofia Sa’idah
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 Narkotika merupakan obat-obatan yang berasal dari tanaman atau bukan tanaman yang dimana dapat membuat penggunanya bisa menghilangkan rasa nyeri, perubahan kesadaran dan dapat menimbulkan ketergantungan bagi pemakainya. Karena penyebaran narkotika sudah tidak dapat di cegah maka dari itu mendorong penulis untuk membuat simulasi sistem untuk mendeteksi obat-obatan yang mengandung zat narkotika ataupun tidak di lingkungan kehidupan masyarakat jaman sekarang. Filter Gabor Wavelet merupakan metode untuk mengekstraksi ciri citra karena dapat meminimalisasi ciri yang tidak penting. Proses untuk membantu dalam melakukan klasifikasi terhadap objek berdasarkan jarak antara vektor data uji dan masing masing vektor data latih untuk memutuskan keluaran yaitu klasifikasi K-Nearest Neighbor. Mendeteksi citra zat narkotika merupakan hal yang berguna untuk kedepannya di lingkungan masyarakat karena dapat mencengah masyarakat untuk menyalahgunakan. Hasil yang didapatkan dengan Performansi yang dihasilkan dari sistem tersebut yaitu akurasi sebesar 85%. Akurasi tersebut diperoleh dari pengujian 100 citra dengan size 256×256, wavelength 2, Orientation 45° dan untuk parameter pada KNN menggunakan cityblock distance dengan nilai K = 9. Kata Kunci :Narkotika, Sabu, Filter Gabor Wavelet, K-Nearest Neighbor. Abstract Narcotics are drugs derived from plants or not plants that can make users can eliminate pain, change consciousness and can cause difficulties for the wearer. Because the spread of narcotics cannot be prevented, it, therefore, encourages writers to make a distribution system for drugs containing narcotics, not in today's society. Filter Gabor Wavelet is a method for extracting imagery features as it can minimize the unimportant features. The process to assist in the classification of objects based on the distance between vector test data and each of the trainer data vector to decide the output of the K-Nearest Neighbor classification. Detecting the image of a narcotic substance is useful for the future in the community because it can be a community to abuse it. The results obtained with performance resulting from the system is the accuracy of 85%. The accuracy is obtained from testing 100 images with size 256 × 256, wavelength 2, Orientation 45 ° and for parameters on the KNN using Cityblock distance with a value of K = 9. Keywords: Narcotics, Sabu, Gabor Wavelet Filter, K-Nearest Neighbor
Klasifikasi Retinopati Diabetik Non-proliferatif Dan Proliferatif Berdasarkan Citra Fundus Menggunakan Metode Gabor Wavelet Dan Klasifikasi Jaringan Saraf Tiruan Backpropagation Donny Janu Sundoro; Raditiana Patmasari; Rita Magdalena
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 Retinopati diabetik merupakan komplikasi mikrovaskular di retina mata pada penderita diabetes melitus. Jika tidak tertangani, penyakit ini bisa berakibat pada kebutaan. Retinopati diabetik memiliki tiga tipe sesuai dengan tingkat keparahan penderitanya, yaitu normal, non-proliferatif (NPDR), dan proliferatif (PDR). Proses deteksi dan klasifikasi tingkat keparahan penderita retinopati diabetik saat ini masih dilakukan secara manual oleh tenaga medis terlatih. Seiring dengan berkembangnya bidang teknologi, memungkinkan pengembangan suatu sistem yang dapat mengklasifikasi tingkat keparahan retinopati diabetik. Pada tugas akhir ini, dirancang suatu sistem klasifikasi tingkat keparahan retinopati diabetik berdasarkan citra fundus dengan pengolahan citra digital. Klasifikasi tersebut dibagi menjadi lima kelas tingkat keparahan, yaitu normal, non-proliferatif (mild, moderate, dan severe), serta proliferatif yang masing-masing terbagi dalam 60 buah data latih dan 40 buah data uji. Metode yang digunakan untuk ekstraksi ciri adalah Gabor Wavelet dan Jaringan Saraf Tiruan (JST) Backpropagation sebagai algoritma klasifikasi. Berdasarkan pengujian yang telah dilakukan, didapatkan akurasi terbaik sebesar 85% dengan jumlah data latih 60 buah. Parameter terbaik menggunakan citra resize dengan resolusi 512x512, citra kanal biru, parameter orde satu feature variance dan entropy, downsampling d1=16 dan d2=16, dengan proses klasifikasi menggunakan jumlah neuron hidden layer 200 buah; learning rate 0,005; dan epoch sebanyak 1000 kali. Kata Kunci: Retinopati Diabetik, NPDR, PDR, Gabor Wavelet, JST Backpropagation Abstract Diabetic retinopathy is a microvascular complication in the retina of the eye in people with diabetes mellitus. If not treated, this disease can result in blindness. Diabetic retinopathy has three types according to the severity of the sufferer, namely normal, non-proliferative (NPDR), and proliferative (PDR). The process of detection and classification of the severity of diabetic retinopathy patients is still done manually by trained medical personnel. Along with the development of the technology field, it allows the development of a system that can classify the severity of diabetic retinopathy. In this final project, a system of classification of the severity of diabetic retinopathy is designed based on fundus images with digital image processing. The classification is divided into five classes of severity, namely normal, nonproliferative (mild, moderate, and severe), and proliferative wich is equally divided into 60 training data and 40 test data.. The method used for feature extraction is Gabor Wavelet and Artificial Neural Network (ANN) Backpropagation as a classification algorithm. Based on the tests that have been done, the best accuracy is obtained at 85% with 60 training data. The best parameters using resize images with 512x512 resolution, blue canal image, first order parameter feature variance and entropy, downsampling d1 = 16 and d2 = 16, with the classification process using 200 pieces of hidden layer neurons, learning rate 0.005, and epoch 1000 times . Keywords: Diabetic Retinopathy, NPDR, PDR, Gabor Wavelet, ANN Backpropagation
Deteksi Derajat Kebengkokan Tulang Belakang Berdasarkan Citra Medis Digital Menggunakan Metode Glcm Dan Lvq Fitya Nur Fadhilah; Rita Magdalena; Nor Kumalasari Caecar Pratiwi
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 Kelainan tulang skoliosis merupakan kelainan tulang yang sering dianggap remeh, karena untuk mengetahui kelainan tulang tersebut pasien/penderita harus melakukan pemeriksaan dengan Rontgen. Skoliosis merupakan kelainan pada tulang belakang yang menyebabkan tulang belakang mengalami kelengkungan sehingga posisi tulang belakang tidak pada bentuk normalnya. Pada penelitian ini, akan membangun sistem yang dapat mendeteksi derajat kebengkokan dan kemiringan pada kelainan tulang belakang manusia dengan hasil Rontgen yaitu dengan format *jpg. Pada Tugas Akhir ini digunakan metode Gray Level Coocurent Matrix (GLCM) dan Learning Vector Quantization (LVQ). Gray Level Coocurent Matrix yang merupakan metode analisis pengambilan ciri berdasarkan tingkat keabuan yang berbasis statistical. Proses klasifikasi menggunakan metode Learning Vector Quantization dengan tujuan untuk mengklasifikasikan citra berdasarkan sudut derajatnya. Dengan pemilihan metode dan analisis performasi dalam penelitian ini, sistem mampu dalam mengklasifikasikan keluaran yaitu tulang punggung normal, kelainan dekstoskoliosis, kelainan levoskoliosis dan mengetahui derajat kebengkokannya. Dengan citra masukkan sebanyak 121 dengan komposisi pembagian pada kelas yaitu 31 citra tulang dektroskoliosis, 38 citra tulang levoskoliosis, 52 citra tulang normal. Hasil penelitian yang diperoleh dari serangkaian pembuatan sistem tersebut dapat menganalisis performansi dari suatu sistem dan akurasi terbaik yang didapatkan sebesar 100% dengan menggunakan parameter Gray Level Coocurent Matrix (GLCM) orde dua dikeempat parameter, level kuantisasi8,denganjarak1piksel padaarah135° denganprosesklasifikasimenggunakanLearningVector Quantization (LVQ) saat nilai hidden layer 10 dan epoch sebesar 300. Kata Kunci : Tulang Punggung, Gray Level Coocurent Matrix, Learning Vector Quantization. Abstract Scoliosis bone is a bone abnormality that is often underestimated, because to find out the bone abnormalities the patient must do a roentgen examination. Scoliosis is a spine disorder that causes the spine to experience curvature so that the position of the spine is not in it’s normal shape. In this research, researcher will build a system that can detect exact degree of bone bending in human spinal abnormalities with roentgen results in *jpg format. In this Final Project the Gray Level Coocurent Matrix (GLCM) and Learning Vector Quantization (LVQ) methods are used. Gray Level Coocurent Matrix which is a method of analyzing character traits based on gray level on statistics. The classification process uses the Learning Vector Quantization (LVQ) method with purpose to classify the image based on its angle. With the selection of methods and performance analysis in this study, the system is able to classify outputs such as normal backbone, dextoscoliosis abnormalities, levoscoliosis abnormalities and also know the degree of bending. Using 121 input images with the composition of division in the class, namely 31 images of dictroscoliosis bone, 38 images of levoscoliosis bone, 52 images of normal bone Keywords : Spine, Grey Level Coocurent Matrix, Learning Vector Quantization.
Identifikasi Penyakit Kulit Menggunakan Histogram Of Oriented Gradients Dan Jaringan Syaraf Tiruan Backpropagation Maisaroh Agustina Rahayu; Rita Magdalena; Rissa Rahmania
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 Kulit merupakan bagian tubuh terluar manusia yang memiliki peranan penting dalam melindungi organ dalam tubuh manusia dari serangan yang berasal dari lingkungan luar. Penyakit kulit menjadi salah satu masalah kesehatan yang paling umum di seluruh dunia karena penularan yang sangat mudah dan cepat. Identifikasi penyakit kulit berdasarkan jenis infeksi kulit merupakan tahap penting untuk mengetahui penanganan yang tepat. Pada Tugas Akhir ini telah dilakukan perancangan dan penelitian sebuah simulasi untuk identifikasi jenis penyakit kulit dengan menggunakan citra digital berdasarkan citra penyakit kulit. Sistem yang dirancang menggunakan metode ekstraksi ciri Histogram of Oriented Gradients (HOG) dan metode klasifikasi Jaringan Syaraf Tiruan (JST) Backpropagation. Hasil dariTugas Akhir ini adalah suatu sistem yang mampu melakukan identifikasi jenis penyakit kulit berdasarkan penyakit acne, herpes dan scabies, dan kulit normal pada manusia. Sistem tersebut mempunyai performansi dengan nilai akurasi tertinggi 83,3% dengan waktu komputasi 0,1304 detik menggunakan 100 data citra latih dan 60 citra uji. Hasil ini didapatkan menggunakan parameter HOG yaitu Cell Size 𝟐𝟎 × 𝟐𝟎, Block Size 𝟒 × 𝟒 dan Bin Numbers 9. Pada proses klasifikasi JST Backpropagation parameter terbaik yang digunakan yaitu Hidden Layer 100 dan Epoch 50. Kata Kunci: Kulit, Penyakit Kulit, Histogram of Oriented Gradients, Jaringan Syaraf Tiruan, Backpropagation Abstract The skin is the outermost body part of humans which has an important role in protecting organs in the human body from threats that come from the environment outside the human body. Attacks originating from the outside environment. Skin disease is one of the most common health problems in the whole world because of the very easy and fast transmission. Identification of skin diseases based on the type of skin infection is an important step to find out the right treatment. In this Final Project, a design and research simulation has been carried out to identify types of skin diseases by using a digital image based on skin disease images. The system is designed using a Histogram of Oriented Gradients (HOG) extraction method and is classified using the Artificial Neural Network (ANN) Backpropagation method. The result of this Final Project is a system that is able to identify the types of skin diseases based on acne, herpes and scabies and normal skin in human. The system has a performance with the highest accuracy rate with 83.3% with computation time of 0.1304 seconds using 100 training image samples and 60 test images. These results are obtained using the HOG parameters Cell Size 𝟐𝟎 × 𝟐𝟎, Block Size 𝟒 × 𝟒 dan Bin Numbers 9. In the ANN Backpropagation classification process, the best parameters are used is Hidden Layer 100 and Epoch 50. Keywords: Skin, Skin Disease, Histogram of Oriented Gradients, Artificial Neural Network, Backpropagation
Perbandingan Performansi Denoising Menggunakan Metode Discrete Wavelet Transform Dan Metode Empirical Mode Decomposition Pada Sinyal Eeg Rahmad Hidayatullah Salam; Rita Magdalena; 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 Penelitian ini merancang sebuah sistem denoising untuk merekonstruksi sinyal EEG (Electroencephalogram). Denoising pada sinyal EEG penting dilakukan karena adanya noise yang tidak diinginkan sehingga dalam analisis sinyal EEG sulit mendapatkan informasi sinyal yang sebenarnya. Pada penelitian ini terdapat dua kasus yaitu sinyal EEG bersih akan diberikan dua noise yang berbeda yaitu Additive White Gaussian Noise (AWGN) dan Ocular Noise yang kemudian pada masing-masing kasus akan di denoising dengan menggunakan dua metode yaitu Emphirical Mode Decomposition (EMD) dan Discrete Wavelet Transforms (DWT). Pengujian dilakukan untuk memperoleh parameter-parameter pengukuran yaitu Mean Squared Error (MSE), Signal-to-Noise Ratio (SNR), serta Peak Signal-to-Noise Ratio (PSNR). Berdasarkan hasil pengujian terhadap 5 data sinyal EEG, denoising terbaik untuk AWGN dilakukan oleh metode DWT dengan basis wavelet DB12, threshold method SURE dengan hard threshold dan level dekomposisi 6 dengan nilai MSE 0,000029, SNR 27,97dB serta PSNR 26,20 dB. Pada percobaan Ocular Noise, DWT dengan Basis Wavelet DB12 dan level dekomposisi 1 menunjukkan hasil terbaik pada SNR sebesar 29,99 dB PSNR 23,76 dB, sedangkan untuk hasil MSE terbaik sebesar 0,00060 diberikan oleh metode EMD dengan hard thresholding pada nilai dekomposisi 0,1. Kata kunci: Electroencephalogram (EEG), Emphirical Mode Decomposition (EMD), Denoising, Discrete wavelet Transform (DWT). Abstract This Project designed a denoising system to reconstruct EEG (Electroencephalogram) signals. Denoising the EEG signal is important because there is unwanted noise so that in the EEG signal analysis it is difficult to get the actual signal information. In this study there are two cases, namely the clean EEG signal will be given two different noise, namely Additive White Gaussian Noise (AWGN) and Ocular Noise, which in each case will be denoised using two methods namely Emphirical Mode Decomposition (EMD) and Discre te Wavelet Transforms (DWT). Testing is done to obtain measurement parameters, namely Mean Squared Error (MSE), Signal-to-Noise Ratio (SNR), and Peak Signal-to-Noise Ratio (PSNR). Based on the test results of 5 EEG signal data, the best denoising for AWGN is done by the DWT method with DB12 Wavelet Base, Threshold Method SURE with hard threshold and Decomposition Level 6 with MSE values of 0.000029, SNR 27.97 dB and PSNR 26.20 dB. In the Ocular Noise experiment, DWT with DB12 Wavelet Base and decomposition level 1 showed the best results at SNR of 29.99 dB PSNR 23.769 dB, while the best MSE results of 0.00060 were given by EMD method with hard thresholding at decomposition value 0.1. Keywords: Electroencephalogram (EEG), Denoising, Emphirical Mode Decomposition (EMD), Discrete wavelet Transform (DWT).
DETEKSI GANGGUAN PARU-PARU BERBASIS CITRA X-RAY MENGGUNAKAN DEEP LEARNING Olyvia Fernanda Soedradjat; Rita Magdalena; Nor Kumalasari Caecar Pratiwi
eProceedings of Engineering Vol 9, No 6 (2022): Desember 2022
Publisher : eProceedings of Engineering

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

Abstract

Abstrak—Severe Acute Respiratory Syndrome Coronavirus 2 (COVID-19) adalah virus yang menyerang sistem pernapasan. World Health Organization (WHO) menyatakannya sebagai penyakit pandemi pada 11 Maret 2020. Virus corona menunjukkan kemiripan gejala dengan Pneumonia dan Tuberkulosis. Adapun gejala yang muncul yaitu sakit tenggorokan, batuk, demam, dan kesulitan dalam bernapas. Metode citra x-ray dada digunakan dalam membantu identifikasi penyakitseperti diagnosis, perawatan, dan pemeriksaan ulang. Berdasarkankan latar belakang tersebut, penulis membuat model sistem deep learning dengan metode Convolutional Neural Network dengan arsitektur Residual Network-34 untuk mengklasifikasikan empat jenis kelas penyakit paru-paru yaitu kelas COVID-19, Normal, Pneumonia, dan Tuberculosis. Masukan sistem berupa citra xray yang terdiri dari 576 citra di setiap kelas. Analisa sistem dilakukan dengan membandingkan pengaruh dari jumlah data latih dengan jumlah data uji, pengujian pre-pocessing, pengujian size input, pengujian menggunakan optimizer yang berbeda yaitu Adam, RMSprop, dan SGD, pengujian jumlah epoch, pengujian learning rate, dan pengujian batch size. Berdasarkan dari penelitian yang telah dilakukan, sistem mampu melakukan klasifikasi penyakit paru-paru menggunakan data hasil pre-processing, dengan size input 50x50, menggunakan perbandingan data latih 80% dan data uji 20%, 100% untuk akurasi pelatihan dan akurasi 95% untuk akurasi pengujian, dengan menggunakan optimizer SGD, learning rate 0.01, epoch 50 dan batch size 16. Kata kunci—Deep Learning, Convolutional Neural Network, Python, Chest X-Ray, dan ResNet-34
Identifikasi Jenis Kulit Manusia Menggunakan Metode Glcm Dan Lvq Berbasis Android M.Aldia Abilisa; Rita Magdalena; Sofia Sa’idah
eProceedings of Engineering Vol 8, No 1 (2021): Februari 2021
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Kulit merupakan lapisan terluar dari dalam tubuh dengan fungsi melindungi organ dalam tubuh manusia, kulit memiliki jenis umum seperti normal, kulit kering, dan berminyak. Jenis kulit kering merupakan kulit yang memiliki kandungan air dan minyak rendah. Jenis kulit normal merupakan jenis kulit yang memiliki kadar air yang tinggi dan kadar minyak yang rendah sehingga disebut normal. Jenis kulit berminyak merupakan jenis kulit yang memiliki kandungan air yang rendah dan kadar minyak yang tinggi. Pada penelitian ini, penulis menggunakan metode GLCM (Gray Level Co-occurence Matriks) sebagai metode ekstraksi ciri dan metode LVQ ( Learning Vector Quantization) sebagai metode klasifikasi. Tujuan dari penelitian ini adalah melakukan analisis kinerja sistem dalam mengidentifikasi jenis kulit manusia dengan metode GLCM dan LVQ, dengan merancang sistem identifikasi jenis kulit menggunakan metode GLCM ( Gray Level Co-occurence Matriks) dan LVQ ( Learning Vector Quantization) berbasis android diharapkan sistem ini mampu mengetahui jenis kulit berdasarkan citra mikroskopiknya, dengan nilai akurasi yang diharapkan pada penelitian ini adalah minimal 80%. Kata kunci : kulit, normal, kering, berminyak, GLCM, LVQ Abstract The skin is the outermost layer of the body with the function of protecting organs in the human body, skin has general types such as normal, dry, and oily skin. Dry skin is skin that has low water and oil content. Normal skin type is a skin type that has high water content and low oil content, so it is called normal. Oily skin types are skin types that have low water content and high oil content. In this study, the authors used the GLCM (Gray Level Co-Occurrence Matrix) method as a feature extraction method and the LVQ (Learning Vector Quantization) method as a classification method. The purpose of this study was to analyze the performance of the system in identifying human skin types using the GLCM and LVQ methods, by designing a skin type identification system using the GLCM (Gray Level Co-occurrence Matrix) and LVQ (Learning Vector Quantization) methods based on android. know the skin type based on its microscopic image, with the expected accuracy value in this study is at least 80%. Keywords : skin, normal, dry, oily, GLCM, LVQ
Perancangan Sistem Klasifikasi Glaukoma Menggunakan Metode Convolutional Neural Network Muhammad Yuqdha Faza; Rita Magdalena; R Yunendah Nur Fuadah
eProceedings of Engineering Vol 8, No 5 (2021): Oktober 2021
Publisher : eProceedings of Engineering

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

Abstract

Penyakit glaukoma merupakan penyakit yang menyebabkan kebutaan terbanyak di dunia. Glaukoma disebabkan karena siklus memproduksi dan mengeluarkan cairan bola mata atau disebut dengan aquos humor tidak seimbang yang mengakibatkan terjadinya penekanan pada bola mata. Pengklasifikasian penyakit glaukoma secara otomatis dibutuhkan karena banyak kasus penyakit glaukoma terdeteksi saat keadaannya sudah parah. Penelitian ini merancang suatu sistem klasifikasi penyakit glaukoma menggunakan metode Convolutional Neural Network (CNN) dengan menggunakan arsitektur GoogLeNet. Klasifikasi pada sistem ini menggunakan data sebanyak 1000 data citra fundus digital. Perancangan sistem ini dapat mengklasifikasikan penyakit glaukoma menjadi lima kelas, yaitu deep, early, moderate, normal, dan hipertensi okular (OHT). Sistem ini bertujuan untuk mempermudah dalam pengklasifikasian penyakit glaukoma. Terdapat beberapa parameter yang mempengaruhi performa sistem, oleh karena itu, dilakukan beberapa skenario dalam penelitian ini agar mendapatkan parameter dengan hasil performa sistem terbaik. Hasil dari pengujian sistem memberikan akurasi sebesar 95.40%, presisi sebesar 95%, recall sebesar 94%, f1-score sebesar 94%, dan nilai loss 1.9163. Kata kunci : Glaukoma, Convolutional Neural Network (CNN),
Co-Authors A F Akbar Abel Bima Wiratama Achmad Rizal Adham Nurjati Adinda Maulida Agung Aditama Putra Agustina Trifena Dame.S AGUSTINA, REGITA Ahmad Zendhaf Aldo Setiawan Alva Rischa Qhisthana Pratika Andria Sufy Angga Prihantoro Ardhi Fibrianto Arfat, Ikrar Khaera Arianto Sirandan Arintyo Archamadi Ayu Putu Wida Vanhita Azzahra, Fatima Bagas Farhan Hadyantoro Bagus Robbiyanto Bambang Hidayat Bambang Hidayat Bayuaji Kurniadhani Brian Adam Danding Adhi Priutomo Davita Nadia Fadhilah Dea Sifana Ramadhina Dewa Nyoman Indra Dewi Siskawati Dian Ayu Nurlitasari Dimas Frandisyah Putra Donny Janu Sundoro Dwi Anggreni Novitasari Dyah Ajeng Pramudhita Dyah Ayu Pratiwi Efri Suhartono Eko Susatio Eky Yuliansyah Eriel Mar Estananto Faizhal Rifky Alfaris Fathurrahman, Muhammad Hanif Fatima Azzahra FAUZI FRAHMA TALININGSIH Fauzi, Muhammad Ilham Febriani Ruming Sari Fernandi, Arya Firmanda Robi Firmansyah Patriandhika Fitya Nur Fadhilah Galih Surya Gede Hari Yogiswara Gusty Aditya Arrazaq HARSONO, ALI BUDI Herdian Anantya Risma Hilman Fauzi, Hilman I Dewa Gede Agung Kurniawan I Gusti Agung Dian Wintara I Nyoman Apraz Ramatryana I Nyoman Apraz Ramatryana I NyomanApraz Ramatryana Ibnu Da'wan Salim Ibnu Da’wan Salim Ubaidah Ibnu Da’wan Salim Ubaidah Ignatius Yoslan Kurniawan Ikhwanda, Alfan Ikrar Khaera Arfat Ilma Rahma Dewi Imanuel Boyke Nainggolan Immanuel Rayuzi Pandapotan Sinaga Indrafaqih Eskamara Inung Wijayanto Iqbal Kurniawan Perdana Irham Bani Alfafa Ivan Prayoga Prawiro Ivandy Chaniago Jangkung Raharjo Jonthala Tambunan Koredianto Usman Kurnia Khafidhatur Rafiah Ledya Novamizanti Lugina Perceka Putri M.Aldia Abilisa Mahendra, Dio Maisaroh Agustina Rahayu Malardy , Muhammad Andriyansyah Masykur, Muhammad Fadhel Affandi Misbakhul Munir Muhamad Rokhmat Isnaini MUHAMMAD ADNAN PRAMUDITO Muhammad Akhyar Ghifari Muhammad Ardhi Prakasa Muhammad Bayu Adinegara Muhammad Fadly Mustakim Muhammad Ihsan Fadhil Muhammad Ilham Muhammad Ilham Muhammad Ilham Fauzi Muhammad Najiburahman Muhammad Tezar Muhammad Yuqdha Faza Nabila Herman Naufal Adi Gifran Nidaan Khofiya Nor Kumalasari Nor Kumalasari Caecar Nor Kumalasari Caecar Pratiwi Nor Kumalasari Caesar Pratiwi Nugraha, M.Fajar Zulvan Nur Andini Nur Ibrahim NURFAJAR, FEBI Obed Simanungkalit Octavian Putera Kesuma Sugeng Olyvia Fernanda Soedradjat Perdana, Iqbal Kurniawan PERDANI, WAHYUNI RIZKY Pramudhita, Dyah Ajeng Prayoga, Krisna Prayudi, Yoshi Prihantoro, Angga Putra, Akbar Trisnamulya Putri Andriani R Ricki Juniansyah R Yunenda Nur Fu'adah R. Rumani R. Rumani R. Yunendah Nur Fu’adah Raditiana Patmasari Rafid Fakhri Rahardjo Rahardjo Rahmad Hidayatullah Salam Raihan Nur Fadhlillah Rama Arjun Setiawan Ramdhan Nugraha Ratri Dwi Atmaja Renny Rahmawati Reyfaldi Wahyu Pradana Reyhan Radifan Jordy Rezki Ariz Rahadian Ricardo Ricardo Richard Bina Jadi Simanjuntak Ridwan Firdaus Rifqi Muhammad Fikri Rissa Rahmania Rizki Muhammad Iqbal Rizqi Surya Utama Rosyita Ayuning Mauludiya Rudiana Agustini Sa'idah, Sofia Sa’idah, Sofia Saidah, Sofiah Sari, Febriani Ruming Sayidia Rizki Arfina Sean Alexander Suryaman Septian Eko Kuncahyono Shimon Anterio Armando Sinaga Sofia Sa'idah Sofia Sa’idah SOFIA SAIDAH Sofia Sa’idah Steven Palondongan Suci Aulia Sugondo Hadiyoso Susilo, Mochammad Hilmi Suwandhi, Adhisty Putrina Suwitrisna Putra Syafiq Hilmi Abdullah Syamsul Rizal Tahta Restu Adiguna Tamardi Pranata Tampubolon Tauhid Nur Azhar Teguh Dian Arifandi Tri Siswanto Triyogi, Raihan Twinarya Bagus Wibawa Varian Mohammad Sutama Yohana Karina Candra Sari Yunendah Fu’adah