Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Jifosi

IMPLEMENTASI NAÏVE BAYES CLASSIFIER UNTUK MENDIAGNOSIS PENYAKIT INTELLECTUAL DISABILITY Serlynda Dwi Rosalina; Intan Yuniar Purbasari; Eka Prakarsa Mandyartha
Jurnal Informatika dan Sistem Informasi Vol. 3 No. 2 (2022): Jurnal Informatika dan Sistem Informasi (JIFOSI)
Publisher : Fakultas Ilmu Komputer Universitas Pembangunan Nasional Veteran Jawa Timur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33005/jifosi.v3i2.489

Abstract

Intellectual Disability merupakan keadaan dimana seorang anak mempunyai kemampuan intelektual di bawah rata-rata yang mengakibatkan mereka sulit untuk bersosialisasi, beradaptasi dengan lingkungan, dan mengikuti program pendidikan di sekolah biasa seperti anak normal pada umumnya. Sangat penting dilakukan oleh para orang tua maupun guru untuk memahami gejala-gejala yang dimiliki oleh anak dalam melakukan deteksi awal penyakit Intellectual Disability. Oleh sebab itu dibutuhkanlah suatu sistem yang dapat digunakan untuk melakukan diagnosis penyakit Intellectual Disability. Sistem ini dapat digunakan oleh para orang tua ataupun para guru, sehingga dengan adanya sistem tersebut diharapkan mereka tidak perlu mengeluarkan biaya lebih untuk berkunjung ke dokter atau psikolog dalam melakukan diagnosis penyakit ini. Metode yang diterapkan pada sistem ini yaitu menggunakan metode klasifikasi dengan Algoritma Naïve Bayes Classifier dimana sistem ini menghasilkan 4 output klasifikasi yaitu klasifikasi kelas rendah, sedang, berat, dan normal. Penerapan Algoritma Naïve Bayes Classifier dalam sistem ini diperoleh nilai akurasi tertinggi pada pengujian kedua yaitu sebesar 100%, nilai presisi 100%, dan nilai recall sebanyak 100%.
Klasifikasi Wajah Kantuk Menggunakan Parameter Wajah Dengan Algoritma Long Short Term Memory Agung Subekti, Mohamad Rafli; Rahajoe, Ani Dijah; Mandyartha, Eka Prakarsa
JIFOSI Vol. 5 No. 2 (2024): Integrasi Sistem Cerdas dengan Internet of Things (IoT)
Publisher : UPN "Veteran" Jawa Timur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33005/jifosi.v5i2.145

Abstract

Drowsiness is one of the main factors that influences performance and safety, especially in driving activities and productivity levels. This research develops a Drowsiness facial classification system using facial parameters such as Eye Aspect Ratio (EAR) and Mouth Aspect Ratio (MAR), as well as the Long Short-Term Memory (LSTM) algorithm. Data is collected via video of the subject's face and facial parameters are calculated from facial landmarks extracted using the dlib library. The LSTM model was chosen because of its ability to capture important temporal patterns in detecting changes in Drowsiness over time. With a data sequence of five frames as input, the dataset is divided into 80% training data and 20% test and validation data. Experimental results show that the LSTM model is able to detect drowsiness with high accuracy, showing that the combination of EAR and MAR is effective in identifying drowsiness. This system is expected to be applied in early warning systems for drivers and employee monitoring, making significant contributions in the field of drowsiness detection using LSTM algorithms and facial parameters.