Claim Missing Document
Check
Articles

Detection of Pulmonary Tuberculosis in Chest X-Ray Images Using CNN-VGG19: Evidence from a Local Indonesian Clinical Dataset Emil Agusalim Habi Talib; Mar'atul Azizah; Muhammad Faisal; Abd Rakhim Nanda; Nizirwan Anwar; Indriyanti Azis; Rizki Yusliana Bakti; M. Agusalim; Desi Anggreani
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol 10 No 5 (2026): October 2026
Publisher : Ikatan Ahli Informatika Indonesia (IAII)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29207/resti.v10i5.7607

Abstract

Pulmonary tuberculosis (TB) remains a major public health challenge, especially in developing countries where early and accurate diagnosis is critical. Although deep learning models have shown promising performance in TB detection using chest X-ray (CXR) images, most studies rely on large-scale public datasets that may not adequately represent the variability and limitations of real-world clinical data. This study aimed to evaluate the robustness and generalization capabilities of the CNN-VGG19 architecture when applied to small-scale clinical datasets. The dataset consisted of 434 CXR images collected from Haji Makassar Hospital, Indonesia, and categorized into tuberculosis, pleural effusion, and normal classes. A transfer learning approach was applied, and model performance was evaluated using analyses of accuracy, precision, recall, F1 score, and confusion matrices, with comparisons to ResNet50 and InceptionV3 under identical experimental conditions. The results showed that CNN-VGG19 achieved an accuracy of 0.8807 and a macro F1 score of 0.8800, outperforming the comparative models. These findings suggest that CNN-VGG19 provides stable performance in a data-constrained environment and highlight the impact of class overlap on classification performance.
Analisis Sentralitas dan Deteksi Komunitas Ethereum Transaction Network Menggunakan Algoritma Louvain Muh. Farrel Apta Indratama; Muhammad Faisal; Rizki Yusliana Bakti
Arus Jurnal Sains dan Teknologi Vol 4 No 2: Oktober (2026)
Publisher : Arden Jaya Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57250/ajst.v4i2.3316

Abstract

Ethereum menghasilkan aktivitas transaksi yang membentuk jaringan dengan struktur hubungan yang kompleks sehingga posisi Ethereum address yang penting dan kelompok interaksi di dalam jaringan tidak mudah diidentifikasi secara langsung. Penelitian ini bertujuan membangun Ethereum Transaction Network (ETN), mengidentifikasi Key Actors menggunakan Degree Centrality, Betweenness Centrality, Closeness Centrality, dan Eigenvector Centrality, serta mendeteksi struktur komunitas menggunakan algoritma Louvain. Data penelitian berupa 10.000 transaksi Ethereum Mainnet yang diperoleh melalui Ethereum RPC PublicNode dari block 25.704.670–25.704.696. Setelah preprocessing, 34 transaksi self-loop dihapus sehingga diperoleh 9.966 transaksi. Jaringan dibentuk sebagai directed weighted graph dengan Ethereum address sebagai node dan transaksi sebagai edge, sedangkan bobot edge menunjukkan frekuensi transaksi antar pasangan address. Jaringan yang terbentuk memiliki 11.046 node dan 8.452 edge. Hasil analisis centrality menghasilkan 10 Key Actors berdasarkan kemunculan pada Top 10 sedikitnya dua ukuran centrality. Address Tether USD (USDT) paling konsisten dengan peringkat pertama pada Degree, Closeness, dan Eigenvector. Deteksi Louvain pada graf undirected menghasilkan 3.082 komunitas dengan modularity 0,938703. Pemetaan menunjukkan bahwa 10 Key Actors tersebar pada 10 komunitas berbeda; tujuh berada pada sepuluh komunitas terbesar dan tiga lainnya berada pada komunitas yang lebih kecil. Hasil tersebut menunjukkan bahwa analisis centrality dan community detection memberikan informasi yang saling melengkapi mengenai posisi struktural aktor dan konteks komunitasnya.
Ekstraksi Fitur Citra Jantung Menggunakan Hybrid CNN dan Swin Transformer untuk Analisis Risiko Penyakit Kardiovaskular Nabila Ismail Matta; Rizki Yusliana Bakti; Muhyiddin AM Hayat
Arus Jurnal Sains dan Teknologi Vol 4 No 2: Oktober (2026)
Publisher : Arden Jaya Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57250/ajst.v4i2.3492

Abstract

Penyakit jantung koroner (PJK) merupakan salah satu kontributor utama kematian akibat penyakit kardiovaskular, sehingga deteksi dini melalui interpretasi citra CT Scan jantung menjadi penting. Analisis manual terhadap citra tersebut menghadapi kendala berupa kompleksitas variasi anatomi dan keterbatasan tenaga ahli radiologi. Penelitian ini bertujuan mengembangkan dan mengevaluasi arsitektur Hybrid CNN–Swin Transformer untuk ekstraksi fitur citra jantung normal dan jantung koroner menggunakan dataset lokal RSUD Labuang Baji, Makassar. Model menggabungkan fitur lokal dari ResNet-50 dan fitur global dari Swin Transformer Tiny melalui mekanisme learnable feature fusion, dilatih menggunakan strategi Two-Phase Training dengan optimizer AdamW dan Weighted Focal Binary Cross-Entropy Loss. Dataset terdiri atas 400 citra (200 normal dan 200 koroner) yang dibagi dengan rasio 80:10:10. Hasil pengujian pada 40 citra data uji menunjukkan model Hybrid CNN–Swin Transformer memperoleh Accuracy 92,50%, Precision 100,00%, Recall 85,00%, F1-Score 91,89%, Specificity 100,00%, dan AUC 0,9850, mengungguli model tunggal ResNet-50 (Accuracy 85,00%) dan Swin Transformer Tiny (Accuracy 77,50%). Hasil ini menunjukkan bahwa penggabungan fitur lokal dan global melalui mekanisme fusi adaptif mampu meningkatkan efektivitas klasifikasi citra jantung sebagai indikator risiko penyakit kardiovaskular.
Pendeteksi Penyakit Daun Padi Menggunakan Algoritma YOLOv8 di Desa Jangan-Jangan Kecamatan Pujananting Kabupaten Barru Suandi Aritmawijaya; Fahrim Irhamna Rachman; Rizki Yusliana Bakti
Journal of Muhammadiyah’s Application Technology Vol. 4 No. 3 (2025)
Publisher : Universitas Muhammadiyah Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26618/kn1zxt55

Abstract

ABSTRAKProduksi padi di Indonesia memiliki peran penting dalam menjaga ketahanan pangan nasional, namun produktivitasnya sering mengalami penurunan akibat serangan penyakit pada daun padi. Penyakit seperti blast, bercak coklat, dan hawar daun bakteri merupakan penyakit utama yang dapat menimbulkan kerugian signifikan jika tidak terdeteksi sejak dini. Identifikasi penyakit daun padi secara konvensional umumnya masih dilakukan secara manual dan bergantung pada pengalaman petani, sehingga berpotensi menimbulkan kesalahan diagnosis. Oleh karena itu, penelitian ini bertujuan mengembangkan sistem pendeteksi otomatis penyakit daun padi berbasis deep learning menggunakan algoritma YOLOv8. Dataset diperoleh dari pengambilan citra langsung di lahan pertanian Desa Jangan-Jangan, Kabupaten Barru, yang merepresentasikan kondisi lapangan nyata dan mencakup tiga jenis penyakit utama. Tahapan penelitian meliputi anotasi data menggunakan Roboflow, pelatihan model dengan Google Collab, serta evaluasi performa menggunakan confusion matrix, precision, recall, F1-score, dan mean Average Precision. Hasil pengujian menunjukkan bahwa model YOLOv8 mampu mendeteksi penyakit daun padi dengan akurasi tinggi dan waktu inferensi cepat, sehingga berpotensi diterapkan sebagai solusi deteksi dini penyakit padi secara real-time. Kata Kunci: YOLOv8, Deteksi Penyakit Padi, Deep learning, Citra Digital, Pertanian Presisi, Roboflow,CNN.   ABSTRACTRice production in Indonesia plays a crucial role in maintaining national food security, but productivity often declines due to leaf disease attacks. Diseases such as blast, brown spot, and bacterial leaf blight are major diseases that can cause significant losses if not detected early. Conventional rice leaf disease identification is generally still done manually and relies on farmer experience, potentially leading to misdiagnosis. Therefore, this study aims to develop an automatic rice leaf disease detection system based on deep learning using the YOLOv8 algorithm. The dataset was obtained from direct imagery captured in agricultural fields in Jangan-Jangan Village, Barru Regency, which represents real-world conditions and includes three main types of diseases. The research stages include data annotation using Roboflow, model training with Google Colab, and performance evaluation using a confusion matrix, precision, recall, F1-score, and mean Average precision. The test results show that the YOLOv8 model is capable of detecting rice leaf diseases with high accuracy and fast inference time, thus potentially being implemented as a real-time early detection solution for rice diseases. Keyworsds: YOLOv8, Rice Disease Detection, Deep learning, Digital Imagery, Precision Farming, Roboflow,CNN.
Konversi Tulisan Tangan Huruf Kapital Menjadi Teks Menggunakan Metode Deep Learning Berbasis YOLOv8 dan CTC Makmur Jaya Nur; Rizki Yusliana Bakti; Fahrim Irhamna Rachman
Journal of Muhammadiyah’s Application Technology Vol. 4 No. 3 (2025)
Publisher : Universitas Muhammadiyah Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26618/9wdk0e43

Abstract

ABSTRAKPenelitian ini mengkaji pengembangan sistem konversi tulisan tangan ke teks digital menggunakan metode deep learning dengan mengombinasikan arsitektur Convolutional Neural Network (CNN), YOLOv8, dan Connectionist Temporal Classification (CTC). Dataset yang digunakan terdiri dari 700 citra tulisan tangan huruf kapital (A–Z) yang diperoleh dari dokumen resmi Dinas Kependudukan dan Pencatatan Sipil Kabupaten Barru. Tahapan penelitian meliputi prapemrosesan citra berupa grayscale, normalisasi, perataan teks, serta augmentasi data, dilanjutkan dengan anotasi bounding box menggunakan Roboflow. Dataset kemudian dibagi menjadi data pelatihan, validasi, dan pengujian. Model YOLOv8 dilatih untuk mendeteksi karakter dan hasilnya diproses menggunakan CTC untuk menghasilkan teks akhir. Evaluasi menunjukkan performa yang baik dengan precision 98,38%, recall 87,25%, F1-score 92,44%, serta mAP@0.5 sebesar 87,19%. Hasil ini menunjukkan metode yang diusulkan efektif untuk mendukung digitalisasi dokumen administrasi publik.Kata Kunci: YOLOv8, Konversi Tulisan Tangan, Deep Learning, Citra Digital, Administrasi Publik, Roboflow, CNN, CTC ABSTRACTThis study investigates the development of a handwritten text-to-digital text conversion system using deep learning by combining Convolutional Neural Network (CNN), YOLOv8, and Connectionist Temporal Classification (CTC) architectures. The dataset consists of 700 images of uppercase handwritten letters (A–Z) obtained from official documents of the Department of Population and Civil Registration of Barru Regency. The research stages include image preprocessing such as grayscale conversion, normalization, text alignment, and data augmentation, followed by bounding box annotation using Roboflow. The dataset is then divided into training, validation, and testing sets. The YOLOv8 model is trained to detect characters, and the outputs are processed using CTC to generate the final text. Evaluation results demonstrate strong performance, achieving a precision of 98.38%, recall of 87.25%, an F1-score of 92.44%, and an mAP@0.5 of 87.19%. These findings indicate that the proposed method is effective in supporting the digitalization of public administrative documents.Keyworsds: YOLOv8, Handwriting Conversion, Deep Learning, Digital Image, Public Administration, Roboflow, CNN, CTC  
Regresi Logistik Biner untuk Klasifikasi Kesuburan Tanah Berdasar Lingkungan Ibnul Imamul Muttaqin; Rizki Yusliana Bakti; Lukman Lukman
Journal of Muhammadiyah’s Application Technology Vol. 5 No. 2 (2026)
Publisher : Universitas Muhammadiyah Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26618/w9614j22

Abstract

Kesuburan tanah merupakan faktor penting dalam menunjang produktivitas pertanian. Penilaian kesuburan tanah yang dilakukan secara manual sering kali bersifat subjektif dan kurang akurat. Penelitian ini bertujuan untuk memprediksi tingkat kesuburan tanah menggunakan metode regresi logistik biner berdasarkan parameter lingkungan tanah. Variabel yang digunakan meliputi pH tanah, suhu tanah, dan kelembapan tanah sebagai variabel independen, serta tingkat kesuburan tanah sebagai variabel dependen yang diklasifikasikan menjadi dua kelas, yaitu subur dan tidak subur. Data penelitian berjumlah 162 sampel yang diperoleh dari Desa Pabentengan, Kecamatan Bajeng, Kabupaten Gowa. Proses penelitian meliputi pengumpulan data, pra-pemrosesan, pemodelan, dan evaluasi kinerja model menggunakan confusion matrix. Hasil pengujian menunjukkan bahwa model regresi logistik biner mampu menghasilkan nilai akurasi sebesar 87,5%, sehingga dapat disimpulkan bahwa model yang dibangun memiliki kinerja yang baik dalam memprediksi kesuburan tanah. Sistem ini diharapkan dapat membantu petani dalam pengambilan keputusan pengelolaan lahan secara lebih efektif dan berbasis data.
Co-Authors . Darniati A M Hayat, Muhyddin Abd Rakhim Nanda Abdul Rakhim Nanda Adrianingsih, Rizka Afil Anugrah Ahmad Nur Rahman Ahmad Risal ANDI AGUNG DWI ARYA BULU Andi Makbul Syamsuri ANDI MAWADDA TAIBA MAWADDA TAIBA Andi Yusri Ari Ahmad Dahril Azzah Aulia Syarif Burhanuddin, Fathurrahman Chatarina Umbul Wahyuni Danuputri, Chyquitha Darniati Desi Anggreani Dewi MJ, Wanda Tyrana Dewi, Syamrilla Emil Agus Salim Habi Talib Emil Agusalim Habi Talib Erika Yanti Fachrim Irhamna Rachman Fahrim I. Rahman Fahrim Irhamna Rachman Fahrim Irhamna Rachman Fahrim Irhmna Rachman Faturohman, Agung Fauzan Azhari Rahman Firdaus Fidaus Galbi Nadifah Hadawina Hadawina Haruna, Hanjas Hayat, Muhyddin A.M Ibnul Imamul Muttaqin Ida Ida Indriani, Lis Indriyanti Azis Iskandar, Aryansyah Ismail, La Ode Taufik Jihan Izzathul Mujidah Kamsurya, Rianita Kazman Riyadi La Ode Taufik Ismail La Ode Taufik Ismail Lukman Lukman Lukman Anas LUKMAN ANAS Lukman Lukman Lukman Lukman Lukman Lukman LUKMAN, LUKMAN M Agusalim M. Fikri Haikal Ayatullah Maharani, Afifah Makmur Jaya Nur Mar'atul Azizah Muh Nur Aqsal Aminullah Muh. Farrel Apta Indratama Muh.Dirham Rahim Muhammad Aditya Yudhistira Muhammad Asygar Faeruddin Muhammad Faisal Muhammad Faturrachman Iswan Muhammad Hasraddin Hasnan Muhammad Syafaat S. Kuba Muhyiddin A.M Hayat Muliana Muslimah, Nurul Aulia Muthalib, Ade Nirwani Abdurahman Mutiara yusuf Nabila Ismail Matta Nandy Rizaldy Najib Nini Apriani Rumata Nizirwan Anwar Nur Alam Nur Rahman, Ahmad Nurfadillah Nurfadillah Nurnawaty Prima Abdiguna, Aidhil Rahmania RAHMANIA Rahmania Rasyidi, Muhammad Fachri Reski Abbas Reski Awalia Rezki Asriani Ridwang Ridwang Ridwang Ridwang Ridwang, Ridwang Sa'ban Sa'ban Salam, Abd Sarina Sri Hastati Suandi Aritmawijaya Sulaeman Suriani Suriani Syahril Akbar Syahrul Ramadhan Syamsul Alam TANTRI INDRABULAN Thariq, Ahmad Titik Khawa Abd Rahman Titik Khawa Abdul Rahman Titin Wahyuni Ulil Amri Usman, Ansharullah Patiroi Utama, Prengki Putra Virgiawan, David Arian Wa Nanda Sulystrian Wibawa. Ar, Arya Yanti, Wilda Yumi