Article Per Year (5 Year)
p-Index From 2020 - 2025
5.878
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 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
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 : 124 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 124 Documents
Search

 9   10   11   12   13 
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),
Pengenalan Wajah Menggunakan Metode SVD Dan PCA Berbasis Video Real-time Indrafaqih Eskamara; Rita Magdalena; Nor Kumalasari Caesar Pratiwi
eProceedings of Engineering Vol 7, No 3 (2020): Desember 2020
Publisher : eProceedings of Engineering

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

Abstract

Wajah merupakan bagian dari tubuh manusia yang menjadi fokus perhatian di dalam interaksi sosial, karena wajah memainkan peranan vital dengan menunjukan identitas dan emosi. Kita dapat mengenali ribuan wajah karena frekuensi interaksi yang sangat sering ataupun hanya sekilas bahkan dalam rentang waktu yang sangat lama. Bahkan kita mampu mengenali seseorang walaupun terjadi perubahan pada orang tersebut karena bertambahnya usia. Oleh karena itu wajah digunakan sebagai organ dari tubuh manusia yang dijadikan indikasi pengenalan seseorang atau face recognition. Teknologi pengenalan wajah merupakan metode yang digunakan untuk deteksi, pencocokan gambar, dan pelacakan video.Pada Tugas Akhir ini dirancang pendeteksian wajah berbasis video real-time. Pada sistem ini digunakan aplikasi pemrograman yaitu Matlab untuk mengenali wajah pada video. Pada sistem ini juga dipilih metode SVD dan PCA. Metode SVD dan PCA untuk ekstrasi ciri dari citra latih dan citra uji. Selanjutnya dilakukan klasifikasi menggunakan Euclidean Distance yaitu mencocokkan antara citra uji yang diambil dari kamera CCTV dengan citra latih dari database. Pada saat pengujian, kamera CCTV menangkap video dalam bentuk 10 frame yang akan diproses dan setiap frame menjadi citra uji untuk dicocokkan dengan citra latih. Dalam klasifikasi citra, bertujuan untuk mengenali nama wajah dari kamera CCTV.Hasil dari metode yang digunakan yaitu dapat mengenali wajah dari kamera CCTV dengan baik. Pada kondisi intensitas cahaya paling tinggi menghasilkan akurasi terbaik sebesar 92%. Kata Kunci: Pengenalan Wajah, Video Real-time, Singular Value Decomposition (SVD), Principal Component Analysis (PCA)
Sistem Deteksi Kecacatan Ban Dengan Convolutional Neural Network Krisna Prayoga; Rita Magdalena; Sofia Sa'idah
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

Abstrak-Produksi kendaraan setiap tahun semakin meningkat, Setiap tahunnya pabrik kendaraan memproduksi ribuan kendaraan untuk memenuhi kebutuhan pasar disetiap negara. Ban adalah komponen sangat penting dalam suatu kendaraan, ban yang tidak maksimal atau cacat sering kali menimbulkan kecelakaan mulai dari kecelakaan ringan hingga fatal, memilih ban yang baik sangat dibutuhkan agar ketika kendaraan sedang melaju tidak menimbulkan kecelakaan seperti pecah ban atau ban tergelincir. Tujuan dari penelitian ini adalah melakukan analisis kerja sistem dalam mengidentifikasi ban yang dalam kondisi bagus dengan ban dalam kondisi rusak atau cacat. Penelitian Tugas Akhir ini meneliti bagaimana cara memilih ban yang baik dengan mengklasifikasikan ban kedalam 2 kategori yaitu ban yang bagus dengan ban yang cacat menggunakan metode Convolutional Neural Network (CNN) menggunakan CNN lima layer dan menguji paramter yang akan digunakan kedalam sistem untuk mengetahui parameter yang terbaik agar menghasilkan akurasi yang tinggi. Di dalam penelitian ini bisa diketahui hal-hal yang mempengaruhi performansi sistem, akurasi terbaik yang diperoleh dari penelitian ini yaitu 88% dengan menggunakan 1.039 sampel citra serta menggunakan parameter size 224x224, Optimizer Adam, Learning Rate 0.0001, Epoch 80, dan Batch size 16.
Strawberry Plant Diseases Classification Using CNN Based on MobileNetV3-Large and EfficientNet-B0 Architecture Dyah Ajeng Pramudhita; Fatima Azzahra; Ikrar Khaera Arfat; Rita Magdalena; Sofia Saidah
Jurnal Ilmiah Teknik Elektro Komputer dan Informatika Vol 9, No 3 (2023): September
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26555/jiteki.v9i3.26341

Abstract

Strawberry is a plant that has many benefits and a high risk of being attacked by pests and diseases. Diseases in strawberry plants can cause a decrease in the quality of fruit production and can even cause crop failure. Therefore, a method is needed to assist farmers in identifying the types of diseases in strawberry plants. Currently, there are many methods to assist farmers in identifying types of disease in plants, including strawberry plants. In this study, a system is proposed to be able to detect strawberry plant diseases by classifying the disease based on healthy and diseased strawberry leaf images. The proposed system is the Convolutional Neural Network (CNN) algorithm using MobileNetV3-Large and EfficientNet-B0 models to train pre-processed datasets. The results of this study obtained the best accuracy reaching 92.14% using the MobileNetV3-Large architecture with the hyperparameter optimizer RMSProp, epochs 70, and learning rate 0.0001. The percentage of the evaluation model using MobileNetV3-Large for precision, recall, and F1-Score achieved 92.81%, 92.14%, and 92.25%.  Whereas in the EfficientNet-B0 architecture, the best accuracy results only reach 90.71% with the hyperparameter optimizer Adam, 70 epochs, and a learning rate of 0.003. Then, the precision, recall, and F1-scores for EfficientNet-B0 reached 92.65%, 90.00%, and 90.37%. Overall, it presents fairly good results in classifying strawberry leaf plant disease. Furthermore, in future work, it needs to obtain higher accuracy by generating more datasets, trying other augmentation techniques, and proposing a better model.
Experimenting with the Hyperparameter of Six Models for Glaucoma Classification Muhammad Ilham; Angga Prihantoro; Iqbal Kurniawan Perdana; Rita Magdalena; Sofia Saidah
Jurnal Ilmiah Teknik Elektro Komputer dan Informatika Vol 9, No 3 (2023): September
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26555/jiteki.v9i3.26331

Abstract

Glaucoma, being one of the leading causes of blindness worldwide, often presents without noticeable symptoms, making early detection crucial for effective treatment. Numerous studies have been conducted to develop glaucoma detection systems. In this particular study, a glaucoma detection system using the CNN method was developed. The models employed in this study include AlexNet, Custom Layer, MobileNetV2, EfficientNetV1, InceptionV3, and VGG19. For training, an augmented RIM-ONE DL dataset was utilized. Hyperparameter experiments were conducted to determine the most optimal parameters for each model, specifically testing batch size, learning rate, and optimizer. The hyperparameter optimization process yielded the optimal parameters for each model. However, it is important to note that the MobileNetV2, InceptionV1, and VGG19 models exhibited signs of overfitting in the training graph results. Among the models, the custom layer model achieved the highest accuracy of 93%, while InceptionV3 attained the lowest accuracy at 83.5%. Testing of the models was performed using data from Cicendo Eye Hospital and the RIM-ONE DL testing dataset. Based on the testing results, it was found that InceptionV3 outperformed the other models in predicting images accurately. Therefore, the study concluded that high accuracy in training does not necessarily indicate superior performance in testing, particularly when limited variation exists in the training dataset.
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 Arianto Sirandan Arintyo Archamadi Ayu Putu Wida Vanhita 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 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 Krisna Prayoga Kurnia Khafidhatur Rafiah Ledya Novamizanti Lugina Perceka Putri M.Aldia Abilisa M.Fajar Zulvan Nugraha 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 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 Nur Andini Nur Ibrahim NURFAJAR, FEBI Obed Simanungkalit Octavian Putera Kesuma Sugeng Olyvia Fernanda Soedradjat PERDANI, WAHYUNI RIZKY Prayudi, Yoshi 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 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 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 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 Twinarya Bagus Wibawa Varian Mohammad Sutama Yohana Karina Candra Sari Yunendah Fu’adah