Article Per Year (5 Year)
p-Index From 2020 - 2025
3.634
P-Index
This Author published in this journals
All Journal Jurnal Ilmu Komputer dan Informasi Jurnal Buana Informatika JUTI: Jurnal Ilmiah Teknologi Informasi Jurnal Teknologi Informasi dan Ilmu Komputer Journal of Information Systems Engineering and Business Intelligence Journal of Information Technology and Computer Science Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Jurnal Sistem Informasi, Teknologi Informasi, dan Edukasi Sistem Informasi (JUST-SI) J-Intech (Journal of Information and Technology)
Rizal Setya Perdana
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Education Electrical & Electronics Engineering Engineering Library & Information Science

Published : 39 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 39 Documents
Search

 1   2   3   4 
Analisis Sentimen Ulasan Pengguna Aplikasi Mypertamina Pada Google Play Store Menggunakan Metode Xgboost dan Word2Vec Embedding Wardana, Dzaky Ahmadin Berkah; Muflikhah, Lailil; Perdana, Rizal Setya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 8 (2025): Agustus 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Dalam era digital, penggunaan aplikasi layanan publik semakin meningkat seiring dengan kebutuhan masyarakat akan kemudahan akses layanan. Salah satu contohnya adalah aplikasi MyPertamina, yang menjadi syarat utama pembelian BBM bersubsidi sejak Juli 2022. Kebijakan ini mendorong lonjakan jumlah pengguna dan tingginya volume ulasan di Google Play Store. Ulasan-ulasan tersebut mencerminkan berbagai persepsi masyarakat, baik berupa apresiasi maupun keluhan, yang dapat dimanfaatkan untuk mengevaluasi kualitas layanan secara lebih objektif. Penelitian ini bertujuan untuk mengklasifikasikan sentimen ulasan pengguna aplikasi MyPertamina ke dalam tiga kategori, yaitu negatif, netral, dan positif, dengan mengombinasikan algoritma Extreme Gradient Boosting (XGBoost) dan metode representasi teks Word2Vec Embedding. Data dikumpulkan melalui teknik web scraping dan diproses melalui tahapan text preprocessing. Representasi kata dibentuk menggunakan dua pendekatan Word2Vec, yaitu CBOW dan Skip-gram, sebelum diklasifikasikan menggunakan XGBoost. Pengujian dilakukan dalam dua tahap, yaitu baseline dan setelah tuning hyperparameter menggunakan GridSearchCV. Hasil awal menunjukkan bahwa kedua pendekatan menghasilkan akurasi yang sama, yaitu 78%, dengan CBOW lebih baik dalam mengenali sentimen positif dan Skip-gram lebih baik dalam mengenali sentimen negatif dan netral. Setelah tuning, kombinasi Skip-gram dan XGBoost menghasilkan akurasi terbaik sebesar 83%, serta peningkatan nilai precision, recall, dan f1-score. Hasil ini menunjukkan bahwa pendekatan tersebut mampu mengidentifikasi sentimen pengguna secara efektif, dan dapat digunakan untuk mendukung evaluasi layanan publik.
Penerapan Domain Generalization dengan Mixture Of Multiple Latent Domains untuk Mengatasi Domain Shifting Dalam Network Intrusion Detection System Malik, Dzaki Rafif; Perdana, Rizal Setya; Yahya, Widhi
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 8 (2025): Agustus 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Efektivitas network intrusion detection system (NIDS) secara konsisten menurun ketika model yang telah dilatih di satu lingkungan harus beroperasi di jaringan dengan karakteristik berbeda. Fenomena domain shift ini menyebabkan hilangnya kemampuan generalisasi sehingga celah keamanan baru muncul. Penelitian ini memperkenalkan kerangka domain generalization berbasis mixture of multiple latent domains (MoMLD) untuk menghasilkan NIDS yang adaptif tanpa mengakses data dari domain target. Dalam MoMLD, data sumber terlebih dahulu dikelompokkan menggunakan algoritma K-Means untuk menghasilkan label domain semu yang merepresentasikan struktur laten, kemudian label tersebut diintegrasikan ke dalam skema pelatihan adversarial dengan Gradient Reversal Layer agar jaringan mempelajari representasi fitur yang invarian antar-domain. Eksperimen pada tiga benchmark NIDS (ToN-IoT, UNSW-NB15, CIC-IDS2018) menunjukkan peningkatan F1-Score pada domain target dari 0,3529 menjadi 0,6798 (+92,7%) dan penurunan kesenjangan performa hingga 99,9%. Bahkan ketika baseline sudah tinggi, kesenjangan tetap berhasil ditekan lebih dari 61%. Analisis ablatif menegaskan bahwa pemilihan jumlah klaster yang sesuai sangat menentukan keberhasilan, sekaligus bertindak sebagai regularisasi yang mencegah overfitting terhadap domain sumber. Dengan overhead komputasi moderat, kerangka ini memberikan solusi praktis dan skalabel bagi penyebaran NIDS pada infrastruktur jaringan yang dinamis.
Penjadwalan Perkuliahan dengan Pendekatan Evolutionary Algorithm (Studi Kasus : Sistem Informasi Akademik (SIAKAD) Program Teknologi Informasi dan Ilmu Komputer Universitas Brwijaya) Wicaksono, Satrio Agung; Setiyawan, R. Arief; Setiyawan, Budi Darma; Hernawan, Ari; Perdana, Rizal Setya
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 1 No 2: Oktober 2014
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (763.832 KB) | DOI: 10.25126/jtiik.201412115

Abstract

Abstrak Untuk menyusun jadwal kuliah bukanlah sesuatu yang mudah karena terkait aturan-aturan yang ada. Penjadwalan perkuliahan jika dilakukan dengan cara manual tentu saja akan memakan waktu cukup lama. Oleh karena itu pada penelitian ini mencoba untuk melakukan pendekatan menggunakan evolutionary algorithm untuk mempermudah dalam pembuatan jadwal kuliah dengan menerapkan aturan yang berlaku. Kromosom disusun dalam bentuk representasi string dengan susunan yang mewakili hari, jam perkuliahan, ruang dan gedung. Dari beberapa percobaan paremeter yang digunakan, diperoleh hasil optimal pada jumlah individu 100 dan peluang crossover sebesar 75%. Kata kunci: algoritma evolusi, algoritma genetik, penjadwalan mata kuliah. Abstract It is not an easy task to arange academic schedule because it is affected by many constraints. If this scheduling is done manually, it will consume many times. Therefore, this research tries to use the evolutionary algorithm approach to do schedulling by applying the applicable rules. Chromosomes are represented as string, which each of them consist of days, times, rooms, dan the buildings. From some experiments whisch are used in this research, optimal result obtained when use 100 individu in one population and 75% chance of crossover. Keywords: evolution algorithm, genetic algorithm, class scheduling
Optimasi Model Segmentasi Citra Metode Fuzzy Divergence Pada Citra Luka Kronis Menggunakan Algoritma Genetika Rachmansyah, Ghenniy; Mahmudy, Wayan Firdaus; Perdana, Rizal Setya
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 3 No 1: Maret 2016
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1433.971 KB) | DOI: 10.25126/jtiik.201631163

Abstract

AbstrakLuka kronis merupakan masalah yang masih terbilang berat dalam penanganan, memerlukan ketekunan, biaya mahal, tenaga terlatih dan terampil. Proses pengkajian luka masih dilakukan secara manual, membutuhkan waktu yang cukup lama dan menghasilkan hasil yang lebih subyektif. Dengan adanya permasalahan tersebut, maka dibutuhkan sistem yang dapat membantu pengkajian luka dengan pendekatan citra digital atau dikenal dengan istilah digital planimetry. Fokus permasalahan yang diselesaikan hanya sebatas pada penggolongan komposisi jaringan luka dengan pendekatan segmentasi citra. Pada task segmentasi citra, algoritma yang digunakan yaitu fuzzy divergence yang dioptimasi menggunakan algoritma genetika untuk pemilihan nilai threshold optimal. Pada algoritma genetika, representasi kromosom berupa real-coded, proses reproduksi meliputi operasi extended intermediate crossover dan random mutation, serta metode seleksi elit dengan penambahan mekanisme random injection. Metode yang diusulkan dapat digunakan untuk mengoptimasi model segmentasi citra multilevel thresholding dengan meminimalkan nilai fuzzy divergence dengan parameter algoritma genetika; meliputi ukuran populasi sebesar 60, kombinasi ukuran cr dan mr secara berturut-turut 0.6 dan 0.4, dan ukuran generasi sebesar 100. Kemudian, berdasarkan evaluasi hasil segmentasi citra menggunakan Standar Deviasi (SD), distribusi Gamma menghasilkan hasil segmentasi yang lebih baik.Kata kunci: luka kronis, digital planimetry, segmentasi citra, fuzzy divergence, algoritma genetikaAbstractChronic wounds are a problem that is still difficult in wound management, require persistence, high cost for treatment, and trained-skilled personnel. In wound management, the assessment process are still performed manually, however it’s very time-consuming and produce more subjective outcomes. Given these problems, there is a need for a system that helps wound assessment with the approach in measuring wound size using digital images, known as digital planimetry. In this work, the focus only on wound tissue classification using image segmentation. In image segmentation, the algorithm used is fuzzy divergence that optimized by using genetic algorithm for selecting optimal threshold. For genetic algorithm, the representation of chromosomes is real-coded, then reproduction process using the extended intermediate crossover and random mutation, and elitism selection with the addition of random injection mechanism. The proposed method can use to optimize image segmentation multilevel thresholding by minimizing the value of fuzzy divergence with genetic algorithm parameters which includes the size of the population is 60, the combination of size Cr and Mr respectively 0.6 and 0.4, and the size of generation is 100. Then, based on the evaluation result of image segmentation using Standard Deviation (SD), found that Gamma distribution leads better segmentation as compared to others.Keywords: chronic wounds, digital planimetry, image segmentation, fuzzy divergence, genetic algorithm
Arsitektur Sistem Percakapan Otomatis Berbahasa Indonesia dengan Normalisasi Bahasa Informal Menjadi Baku Khairul, Muhammad Fathur Rahman; Perdana, Rizal Setya
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 5: Oktober 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024117984

Abstract

Komunikasi merupakan hal yang paling penting dalam kehidupan sehari-hari. Setiap orang berkomunikasi dengan cara mereka berdasarkan latar belakang serta kedekatan antar pembicara. Oleh karena itu, perkembangan bahasa informal terjadi sangat cepat dan tidak jarang menciptakan kata-kata baru sebagai pengganti bahasa formal. Hal ini menjadi masalah jika dilihat dari perspektif pemrosesan bahasa alami (NLP). NLP umumnya hanya dapat dilakukan dengan bahasa yang formal dan tidak mampu menginterpretasikan makna dari kalimat informal. Maka dari itu, penulis mengusulkan pendekatan untuk memungkinkan mesin memahami bahasa informal dengan melakukan normalisasi bahasa infomal menjadi baku dengan memanfaatkan NLP. Pendekatan yang dilakukan akan melatih model pre-trained GPT-2 berbahasa Indonesia dengan data parallel corpus untuk memahami makna dari bahasa informal dan mampu menerjemahkannya ke dalam bentuk baku. Melalui eksperimen yang dilakukan, pendekatan ini mencapai tingkat akurasi 91% dan dapat menerjemahkan bahasa informal dengan baik. Performa ini dapat diraih dengan konfigurasi hiperparameter yaitu Adam optimizer dengan learning rate 1e-4, batch size sebesar 16 dan dropout rate sebesar 0,5.   Abstract   Communication is the most essential thing in daily life. Everyone communicates in their own way based on their background and the closeness between speakers. Thus, the development of informal language occurs quickly and it is often to create new words as a substitute for formal language. This is an issue from a natural language processing (NLP) perspective. NLP generally only works with formal language and is unable to interpret the meaning of informal sentences. Therefore, the authors propose an approach to enable machines to understand informal language by normalizing the informal language to standard by utilizing NLP. The approach will train a pre-trained GPT-2 model in Indonesian with parallel corpus data to understand the meaning of informal language and be able to translate it into standardized form. Through experiments, the method achieved 91% accuracy and can translate informal language well. This performance can be achieved with a hyperparameter configuration, namely Adam optimizer with a learning rate of 1e-4, batch size of 16 and dropout rate of 0.5.
Kombinasi Intent Classification dan Named Entity Recognition pada Data Berbahasa Indonesia dengan Metode Dual Intent and Entity Transformer Annisa, Zahra Asma; Perdana, Rizal Setya; Adikara, Putra Pandu
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 5: Oktober 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024117985

Abstract

Pelayanan pelanggan atau customer service adalah sebuah bentuk upaya pemenuhan keinginan dan kebutuhan pelanggan yang disertai dengan ketepatan penyampaian sesuai standar perusahaan demi memenuhi harapan pelanggan. Pada beberapa kasus seperti layanan perbankan, diperlukan layanan pelanggan yang dapat diakses setiap saat dengan ketepatan dan daya tanggap tinggi. Atas kebutuhan pelayanan dengan kualitas tinggi ini, perusahaan dapat mengaplikasikan konsep pelayanan prima. Salah satu penerapan konsep kecerdasan buatan demi pelaksanaan pelayanan prima adalah penggunaan chatbot, yang memerlukan metode yang tepat bagi proses klasifikasi intensi pengguna maupun Named Entity Recognition (NER). Salah satu kekurangan dari pelaksanaan klasifikasi intensi dan NER secara terpisah terletak pada representasi numerik yang digunakan dalam tiap model. Meski menggunakan data latih dan arsitektur model yang serupa, model dapat menghasilkan representasi numerik yang berbeda dalam tahap fiturisasi, sehingga berpotensi mengurangi tingkat generalisasi model. Untuk mengatasi masalah tersebut, klasifikasi intensi dan NER dapat digabungkan dengan menggunakan mekanisme multi-task learning dalam bentuk model Dual Intent and Entity Transformer (DIET). Penelitian dilakukan dengan memanfaatkan data sekunder dari Helpdesk TIK UB, merancang model DIET menggunakan pustaka PyTorch dan Transformers, lalu mengevaluasi model DIET menggunakan f1-score. Kombinasi hyperparameter terbaik yang didapatkan adalah warm-up step sebesar 70, early stopping patience sebesar 15, weight decay sebesar 0,01, bobot loss NER sebesar 0,6, dan bobot loss klasifikasi intensi berupa 0,4. Kombinasi hyperparameter yang telah diperoleh menghasilkan kapabilitas yang berbeda apabila terdapat perubahan dalam data yang digunakan, karena kapabilitas model DIET baik dalam melakukan klasifikasi intensi maupun NER sangat bergantung terhadap data.   Abstract   Customer service is a way to fulfill the wants and needs of customers accompanied by the accuracy of delivery according to company standards in order to meet customer expectations. In some cases such as banking services, customer service is needed that can be accessed at any time with high accuracy and responsiveness. For this high-quality service requirement, companies can implement the concept of excellent service. One application of artificial intelligence for service excellence is the use of a chatbot, which requires an appropriate method for the classification of user intent and Named Entity Recognition (NER). One of the drawbacks of performing intent classification and NER separately lies in the different numerical representations used in each model. Despite using similar training data and model architecture, the models may produce different numerical representations in the featurization stage, potentially reducing the generalization ability of the model. To overcome this problem, intent and NER classification can be combined using a multi-task learning mechanism in the form of a Dual Intent and Entity Transformer (DIET) model. The research was conducted by utilizing secondary data from Helpdesk TIK UB, designing DIET models using PyTorch and Transformers libraries, then evaluating DIET models using f1-score. The best hyperparameter combination obtained is a warm-up step of 70, early stopping patience of 15, weight decay of 0.01, NER loss weight of 0.6, and intent classification loss weight of 0.4. The combination of hyperparameters that have been obtained produce different capabilities if there are changes in the data that is used because the capabilities of the DIET model in both intention and NER classification are highly dependent on the data.
Klasifikasi Intensi dengan Metode Ling Short-Term Memory pada Chatbot Bahasa Indonesia Al Farisi, Faiz Aulia; Perdana, Rizal Setya; Adikara, Putra Pandu
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 5: Oktober 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024118000

Abstract

E-government merupakan sebuah konsep pemerintahan yang menyelenggarakan layanan publik secara digital yang didukung oleh teknologi informasi, sehingga menjadi lebih prima. Salah satu bentuk layanan publik digital yang umum ada di berbagai sektor adalah helpdesk. Helpdesk memungkinkan pengguna dapat bertanya atau melaporkan sesuatu untuk kemudian dijawab oleh staf. Permasalahan yang ada adalah ketersediaan staf yang hanya dapat menjawab pada jam kerja, sedangkan pengguna bisa jadi menemukan permasalahan yang urgent di luar jam kerja. Oleh karena itu, solusi yang ditawarkan adalah penerapan chatbot, sehingga dapat melayani kapan pun, sekaligus meringankan kerja dari staf. Penelitian ini mencoba untuk merancang salah satu komponen pada chatbot, yaitu model klasifikasi intensi, dengan metode Long Short-Term Memory. Data yang digunakan merupakan 501 teks riwayat pertanyaan dari database Helpdesk TIK UB yang termasuk ke dalam 7 kelas intensi yang ditentukan. Data akan melalui beberapa tahap prapemrosesan sebelum kemudian dilakukan pemodelan dan beberapa pengujian. Tahap pengujian meliputi pemilihan embedding yang digunakan, pemilihan teknik augmentasi data, dan penyetelan hyperparameter. Hasil dari keseluruhan pengujian, didapatkan model terbaik yang mampu menghasilkan akurasi sempurna untuk data latih dan data uji, serta loss 0,004 untuk data latih dan 0,044 untuk data uji.   Abstract   E-government is a government concept that organizes digital public services supported by information technology, so that they become more excellent. One form of digital public service that is common in various sectors is the helpdesk. Helpdesk allows users to ask questions or report something to be answered by staff. The problem that exists is the availability of staff who can only answer during working hours, while users may find urgent problems outside of working hours. Therefore, the solution offered is the implementation of a chatbot, so that it can serve at any time, while easing the work of staff. This study attempts to design one of the components of the chatbot, namely the intention classification model, using the Long Short-Term Memory method. The data used are 501 question history texts from the Helpdesk TIK UB database which fall into the 7 specified intensity classes. The data will go through several pre-processing stages before then being modeled and tested. The testing phase includes selecting the embedding used, data augmentation techniques selection, and hyperparameter tuning. The best model is obtained which can produce perfect accuracy for training data and test data, as well as a loss of 0.004 for training data and 0.044 for test data.
Implementasi Embedding IndoBERT dan Support Vector Machine (SVM) Untuk Analisis Sentimen Publik terhadap Layanan Biznet hidayatulloh, syarif; Muflikhah, Lailil; Rizal Setya Perdana
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 9 (2025): September 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Pertumbuhan pesat penggunaan internet di Indonesia mendorong peningkatan ekspektasi masyarakat terhadap kualitas layanan penyedia internet, termasuk Biznet. Opini publik yang tersebar di media sosial menjadi indikator penting untuk mengevaluasi kepuasan pengguna. Penelitian ini bertujuan untuk menganalisis sentimen publik terhadap layanan Biznet dengan mengombinasikan model IndoBERT sebagai representasi teks dan algoritma Support Vector Machine (SVM) sebagai metode klasifikasi. Data diperoleh melalui teknik crawling dari platform X (Twitter), yang kemudian diproses melalui tahapan preprocessing seperti cleaning, case folding, normalisasi, tokenisasi, stopwords removal, dan stemming. Hasil preprocessing selanjutnya diolah menggunakan IndoBERT untuk mendapatkan representasi vektor dari teks, yang menjadi input bagi model SVM. Evaluasi dilakukan dengan metrik akurasi, presisi, recall, dan F1-score, serta visualisasi dengan confusion matrix dan grafik learning curve. Hasil pengujian menunjukkan bahwa kombinasi IndoBERT dan SVM mampu mengklasifikasikan sentimen ke dalam tiga kategori: positif, negatif, dan netral secara efektif. Model dengan performa terbaik dicapai saat preprocessing dilakukan tanpa menghapus stopwords, dengan akurasi mencapai 97% dan F1-score hingga 98% pada kelas negatif dan netral. Temuan ini membuktikan bahwa pendekatan gabungan IndoBERT dan SVM dapat digunakan secara optimal untuk memahami persepsi publik terhadap layanan internet, dan memberikan rekomendasi berbasis data bagi peningkatan kualitas layanan.
Klasifikasi Penyakit Tumor Otak berdasarkan Citra MRI Menggunakan Metode Convolutional Neural Network EfficientNetV2-S Nainggolan, Yohana Beatrice; Perdana, Rizal Setya; Soebroto, Arief Andy
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 10 (2025): Oktober 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Tumor otak merupakan salah satu penyakit yang menjadi ancaman bagi otak manusia. Diagnosis yang cepat dan akurat merupakan kunci utama untuk menentukan rencana pengobatan yang efektif dan meningkatkan prognosis pasien. Magnetic Resonance Imaging (MRI) adalah salah satu teknik pencitraan medis non-invasif untuk mendeteksi dan mendiagnosis tumor otak. Interpretasi citra MRI secara manual oleh ahli radiologi memiliki kekurangan seperti bersifat subjektif, memakan waktu, dan rentan terhadap kelelahan, yang dapat menyebabkan kesalahan diagnosis. Untuk mengatasi tantangan tersebut, penelitian ini melakukan klasifikasi tumor otak menggunakan arsitektur deep learning modern, EfficientNetV2-S, yang unggul dalam efisiensi dan kecepatan. Model ini dilatih dan divalidasi menggunakan dataset MRI yang mencakup kelas tumor glioma, meningioma, pituitary, serta citra tanpa tumor. Tahapan penelitian meliputi pra-pemrosesan citra seperti resizing, augmentasi data, diikuti dengan proses fine-tuning pada arsitektur EfficientNetV2-S. Kinerja model dievaluasi secara komprehensif menggunakan metrik akurasi, presisi, sensitivitas, dan F1 score. Hasil pengujian kinerja model menunjukkan bahwa model yang diusulkan mampu mencapai akurasi klasifikasi yang sangat tinggi dan andal terutama pada pembekuan layers transfer learning sebesar 70% untuk 4 kelas dengan akurasi validasi mencapai 99,81%. Pendekatan ini menegaskan potensi EfficientNetV2-S sebagai metode yang robust untuk dikembangkan menjadi sistem pendukung keputusan klinis, yang dapat membantu ahli radiologi dalam mempercepat dan meningkatkan keakuratan diagnosis tumor otak. Kata kunci: efficientnetv2-s, brain tumor, magnetic resonance imaging, transfer learning
Co-Authors Abilo, Nelson Alfons Afrialdy, Firman Ahmad Febriyan Amin Al Farisi, Faiz Aulia Annisa, Zahra Asma Ari Hernawan Arief Andy Soebroto Aryo Pinandito Asghany, Yusrian Baliyamalkan, Mohammad Nafi' Brilliansyach, Raihan Fikri Budi Darma Setiawan Budi Darma Setiyawan Candra Dewi Chastine Fatichah Dahnial Syauqy Dian Eka Ratnawati Diana Purwitasari Eka Prakarsa Mandyartha Ferdika Bagus Pristiawan Permana, Ferdika Bagus Pristiawan Fiqri, Miftahul Firdaus, Agung Haekal, Firhan Imam Hasibuan, Raka Ardiansyah Hendra Darmawan Ibnu, Mohammad Indriati Indriati Indriati Khairul, Muhammad Fathur Rahman Lailil Muflikhah Lase, Nicolash Jeremy Onoma Lina, Femi Novia Malik, Dzaki Rafif Maulana, M. Aziz Muchammad Kurniawan Nainggolan, Yohana Beatrice Nurannisa, Nadhira Nurul Hidayat Prakoso, Andriko Fajar Putra Pandu Adikara R. Arief Setiyawan Rachmansyah, Ghenniy Rahardiansyah, Tengku Muhammad Rafi Reddy Alexandro Satrio Agung Wicaksono Silaban, Gilbert Samuel Nicholas Syarif Hidayatulloh Tirana Noor Fatyanosa Tirana Noor Fatyanosa, Tirana Noor Tri Fadilah, Ghina Tri Hadiah Muliawati Vasya, M Azka Obila Wardana, Dzaky Ahmadin Berkah Wayan Firdaus Mahmudy Wicaksana, Kesid Dewa Widhi Yahya Yuhana, Umi Laili