Article Per Year (5 Year)
p-Index From 2021 - 2026
4.155
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering IAES International Journal of Artificial Intelligence (IJ-AI) Jurnal Ilmu Komputer dan Informasi JURNAL SISTEM INFORMASI BISNIS Jurnal Ilmiah Informatika Komputer Jurnal Ilmiah Teknologi dan Rekayasa UG Journal Prosiding KOMMIT IPTEK Journal of Proceedings Series Bulletin of Electrical Engineering and Informatics Jurnal Ilmiah KOMPUTASI Journal of Information Technology and Computer Science ILKOM Jurnal Ilmiah Jurnal Ilmiah Mandala Education (JIME) Journal of Industrial Engineering & Management Research (JIEMAR) WAHATUL MUJTAMA: Jurnal Pengabdian Masyarakat JURNAL AL-AQIDAH Decode: Jurnal Pendidikan Teknologi Informasi AJARCDE (Asian Journal of Applied Research for Community Development and Empowerment) Jurnal Pepadu Jurnal Pendidikan Indonesia (Japendi) Eduvest - Journal of Universal Studies Jurnal Pengabdian Kolaborasi dan Inovasi IPTEKS Jurnal Kedokteran Hewan Jurnal Pengabdian Sosial Jurnal Wicara Desa
Rodiah Rodiah
Universitas Gunadarma
Religion Aerospace Engineering Agriculture, Biological Sciences & Forestry Arts Humanities Automotive Engineering Biochemistry, Genetics & Molecular Biology Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Immunology & microbiology Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Materials Science & Nanotechnology Medicine & Pharmacology Neuroscience Public Health Social Sciences Veterinary Other

Published : 37 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 37 Documents
Search

 1   2   3   4 
Deep learning based identification of Crocidolomia pavonana larvae on mustard plants using Grad-CAM Diana Tri Susetianingtias; Sarifuddin Madenda; Risnawati Risnawati; Maukar Maukar; Eka Patriya; Rodiah Rodiah
Bulletin of Electrical Engineering and Informatics Vol 15, No 3: June 2026
Publisher : Institute of Advanced Engineering and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.11591/eei.v15i3.11343

Abstract

Mustard greens are an important vegetable commodity, but their production is often affected by pest attacks, especially the cabbage worm Crocidolomia pavonana (C. pavonana). The larvae damage leaf tissues and cause significant yield losses, while chemical control is often ineffective due to differences in insecticide sensitivity across larval instars. This study proposes a deep learning based classification approach combined with gradient weighted class activation mapping (Grad-CAM) to identify larval instars of C. pavonana on mustard plants. A dataset of 684 images covering instars 1 to 4 was collected from laboratory rearing and field observations, then processed using resizing and augmentation techniques and divided into training, validation, and testing sets with an 8 to 1 to 1 ratio. Two convolutional neural network (CNN) models, visual geometry group 19 (VGG19), and Xception, were implemented with additional fully connected layers. The VGG19 model achieved 94.20% accuracy and outperformed Xception. Grad-CAM successfully highlighted larval regions and supported visual interpretation. The results show that the proposed method can improve pest identification accuracy and support more effective pest management.
Leveraging Convolutional Neural Networks Preprocessing for Accurate Age and Gender Classification in Personalized Nutrition Fadhillah, Muhammad Aulia Nur; Al Hakim, Shidiq; Rodiah, Rodiah; Data, Mahendra; Siagian, Al Hafiz Akbar Maulana; Riyanto, Slamet; Madenda, Sarifuddin; Apriani, Niken Fitria; Maukar, Maukar
Journal of Information Technology and Computer Science Vol. 10 No. 1: April 2025
Publisher : Faculty of Computer Science (FILKOM) Brawijaya University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jitecs.2025101923

Abstract

Imagine having a personalized nutrition plan that caters to your unique dietary needs based on your age and gender. Such a system could revolutionize the way we approach health and wellness. A key component of this vision is the accurate classification of age and gender from facial images, which can be leveraged to provide tailored nutritional recommendations. In this paper, we explored the use of convolutional neural networks and their preprocessing techniques to enhance the performance of age and gender classification models. Our age classification aimed to identify the age group according to the regulation of the Indonesian Republic's Health Ministry in 2014 about the guidelines for balanced nutrition, which includes the following categories: 10-12 years old, 13-15 years old, 16-18 years old, 19-29 years old, and 30-49 years old. We utilized the ResNet50 and Inception-v3 models, which were fine-tuned on the UTKFace dataset, a collection of more than 20,000 face images with corresponding age and gender labels. However, the UTKFace dataset suffers from a data imbalance problem. To address this issue, we proposed innovative data augmentation methods to create a more balanced dataset. Our experimental results demonstrated that our proposed augmented methods could significantly improve the classification performances of the models, leading to more accurate age and gender predictions. This advancement in facial attribute classification could pave the way for developing personalized nutrition systems that cater to individual needs and preferences, ultimately improving health outcomes and quality of life.
Model Convolutional Neural Network (CNN) Custom Sequential untuk Klasifikasi Citra Ikan Hias Carassius Auratus pada Industri Akuakultur Rodiah; Diana Tri Susetianingtias; Eka Patriya
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 5 No. 3: NOVEMBER 2025
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v5i3.1229

Abstract

Identifikasi varietas ikan hias Carassius auratus dengan keanekaragaman morfologi yang tinggi masih sering dilakukan secara manual, sehingga menimbulkan kesulitan bagi para pecinta ikan hias maupun pelaku akuakultur dalam membedakan jenisnya secara tepat. Kondisi ini menuntut adanya solusi berbasis teknologi yang mampu memberikan hasil identifikasi lebih cepat, praktis, dan presisi. Penelitian ini bertujuan untuk mengembangkan model klasifikasi citra menggunakan pendekatan Convolutional Neural Network (CNN) dengan arsitektur custom sequential sebagai sistem identifikasi visual otomatis. Tahapan penelitian dilakukan melalui pengumpulan 2.080 citra ikan yang mewakili delapan kelas varietas, dilanjutkan dengan proses pra-pemrosesan data agar citra siap digunakan pada tahap pelatihan model. Arsitektur CNN yang dibangun terdiri dari tujuh lapisan konvolusi dengan jumlah filter bertingkat mulai dari 32 hingga 256, disertai proses pooling, aktivasi ReLU, transformasi flatten, serta lapisan fully connected dengan mekanisme dropout untuk mengurangi overfitting, dan diakhiri dengan fungsi aktivasi softmax sebagai klasifikasi multi-kelas. Hasil eksperimen menunjukkan bahwa model mampu mengklasifikasikan citra ikan hias dengan tingkat akurasi mencapai 93,03% serta menghasilkan prediksi data uji secara konsisten tepat. Penelitian ini berkontribusi dalam menghadirkan pendekatan klasifikasi berbasis citra yang efisien, akurat, dan aplikatif, sehingga dapat mendukung proses identifikasi varietas ikan hias dalam industri akuakultur secara lebih modern dan berbasis teknologi.
Model Random Forest Regression Untuk Peramalan Penyebaran Covid-19 Di Indonesia: Random Forest Regression Model for Forecast Of Covid-19 Spread In Indonesia Diana Tri Susetianingtias; Eka Patriya; Rodiah
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 2 No. 2: SEPTEMBER 2022
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v2i2.48

Abstract

Penyebaran COVID-19 sangat cepat yang membuat pada tanggal 27 Februrari 2020, sudah menginfeksi 78630 orang di China dan 2747 orang lainnya meninggal dunia. Keberadaan COVID-19 di Indonesia sendiri pertama kali terkonfirmasi pada tanggal 2 Maret 2020. Pada penelitian ini, peneliti akan melakukan peramalan penyebaran COVID-19 di Indonesia menggunakan metode Random Forest Regression. Raw Dataset yang digunakan adalah dataset yang di dapat dari situs www.kaggle.com yang berisikan record sebanyak 10695 record yang dirangkum dari tanggal 1 Maret 2020 hingga 21 Januari 2021. Jumlah fitur yang dimiliki raw dataset sebanyak 37 fitur. Proses preprocessing pada penelitian ini terdiri dari konversi fitur, seleksi fitur dan mendapatkan fitur untuk model. Metode seleksi fitur yang digunakan adalah Recursive Feature Elimination yang berhasil menyeleksi fitur dari dataset yang tadinya berjumlah 37 menjadi 20 fitur. Pelatihan model menggunakan training set yang berjumlah 8555 record. Peramalan menggunakan model Random Forest Regression akan menggunakan validation set yang berjumlah 2139 record. Hasil perhitungan error pada model Random Forest Regression tidak besar, yaitu sebesar 6.477 untuk peramalan New Cases, dan 0.2469 untuk peramalan New Deaths  yang artinya hasil nilai yang diramalkan dengan nilai aktual tidak berbeda jauh.
Pembentukan Model Recurrent Neural Network dan Connectionist Temporal Classification Pada Pengenalan Kata Tulisan Tangan Offline Diana Tri Susetianingtias; Rini Arianty; Rodiah; Eka Patriya
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 3 No. 2: SEPTEMBER 2023
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v3i2.151

Abstract

Pengolahan informasi sebagai bentuk dari pengembangan teknologi yang semakin pesat adalah pengenalan tulisan tangan. Pengenalan tulisan tangan saat ini banyak diimplementasikan untuk melakukan identifikasi dokumen-dokumen penting berbentuk digital. Pengenalan tulisan tangan cetak dengan benar dan akurat dapat digunakan untuk menunjang kegiatan manusia baik dalam kegiatan sehari – hari, sekolah, maupun pekerjaan. Pada penelitian ini, peneliti akan melakukan pengenalan tulisan tangan cetak menggunakan Convolutional Neural Network pada perangkat mobile. Penelitian juga akan mengimplementasikan model CNN yang dihasilkan pada android dan mengidentifikasi tulisan tangan yang diambil secara langsung menggunakan kamera. Proses pelatihan menggunakan library tensorflow pada bahasa pemrograman python, dilakukan secara online. Model CNN berhasil dibentuk dengan jumlah 11 hidden layer, terdiri dari 5 lapisan konvolusi, 3 lapisan max pooling, 1 lapisan flatten, dan 2 lapisan fully connected. Model mengambil masukan berupa citra berukuran 28 x 28 piksel dan menghasilkan keluaran berupa pengenalan tulisan tangan cetak. Total parameter bobot yang dimiliki oleh model berjumlah 1.556.495 variabel. Model CNN yang sudah dilatih berhasil diimplementasikan dan dijalankan pada aplikasi android. Berdasarkan perhitungan Global Performance Metric, Aplikasi berhasil mengenali citra tulisan tangan 1 kata dengan akurasi 82,12%. Hasil penelitian diharapkan dapat mengenali tulisan tangan cetak dengan akurasi tinggi pada perangkat android.
Identifikasi Fitur Suara Menggunakan Model Convolutional Neural Network (CNN) pada Speech-to-Text (STT) Rodiah; Diana Tri Susetianingtias; Eka Patriya
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 4 No. 3: NOVEMBER 2024
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v4i3.631

Abstract

Identifikasi pola ucapan dilakukan untuk dapat mengenali kata yang diucapkan. Salah satu metode yang dapat digunakan untuk mengidentifikasi Speech-to-Text (STT) adalah dengan menggunakan Convolutional Neural Network (CNN). Penelitian ini menggunakan metode CNN untuk mengidentifikasi STT pada raw speech dari sejumlah 23000 data dari open dataset suara Kaggle. Tahap awal dilakukan resampling durasi, untuk mengambil data rekaman yang memiliki durasi yang cukup untuk masuk dalam proses selanjutnya yaitu inisialisasi frekuensi. Tahap ini mengubah frekuensi asli dari suara rekaman. Inisialisasi dilakukan dengan mengubah frekuensi dari 16000Hz menjadi rentang 8000Hz. Tahap selanjutnya pelabelan data, yaitu data input dan output diberi label untuk klasifikasi sebagai dasar pembelajaran untuk pemrosesan data. Data yang sudah dilabeli kemudian dilakukan pembagian kedalam rasio 8:2. Tahap Akhir Perancangan arsitektur model CNN dilakukan untuk dapat mengenali pola suara yang sudah direkam pada dataset dan dapat mengidentifikasi ucapan. Hasil penelitian bertujuan untuk mengidentifikasi pola suara yang diucapkan dengan akurasi tinggi.
Efficient deep learning for automated corneal ulcer severity classification from fluorescein images Rodiah Rodiah; Indah Sinthya Permata Sari; Matrissya Hermita; Sarifuddin Madenda; Diana Tri Susetianingtias
IAES International Journal of Artificial Intelligence (IJ-AI) Vol 15, No 4: August 2026
Publisher : Institute of Advanced Engineering and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.11591/ijai.v15.i4.pp3603-3613

Abstract

Corneal ulcers can cause permanent vision loss if not diagnosed and managed promptly, particularly in settings with limited access to ophthalmology services. This study aims to develop an automated deep learning approach for classifying corneal ulcer severity from fluorescein slit-lamp images. An EfficientNetV2-S–based model is employed, incorporating corneal area masking to suppress non-relevant regions and class distribution–based augmentation to address data imbalance. To improve evaluation reliability, a leakage-aware data splitting strategy is applied before and after augmentation. Experimental results show that the proposed approach achieves a maximum validation accuracy of 95.93% under non-leakage conditions for the category classification scenario, while maintaining high training efficiency. These results demonstrate that the proposed method provides a robust and efficient solution for automated corneal ulcer severity assessment and has the potential to support clinical decision-making in ophthalmic practice.
Co-Authors Adji Santoso Dradjat Ai Rosidah Al Hakim, Shidiq Aminurrahman Andri Hanafi Andri Hanafi Apriani, Niken Fitria Arnita, Windi Fahmi Arya Aji Kusuma Baiq Alfia Rahmatul Aini CLEOPATRA, MARIA Dede Nurhayati Dewi Agushinta R. Diana Tri Susetianigtias Dody Pernadi Dody Pernadi Eka Patriya Endang Setyowati Enny Yuliani Ernastuti Ernastuti Ety Sutanty Fadhillah, Muhammad Aulia Nur Febrian, Baiq Eka Fitrianingsih Fitrianingsih Hadianur, Muhammad Haswari, Nanda Ciptaning Hidayah , Nurul I Wayan Lanus Sumadiasa Ilhamsyah Indah Sinthya Permata Sari Lalu Ahmad Zaenuri Lalu Ahmad Zaenuri, Lalu Ahmad Lukman HY, Lukman HY LUKMAN, LUKMAN LukmanHY, LukmanHY M. Saltiar Kiswanto Mahendra Data Mahfudhah, Nariswari Maryet Dwi Anjani Matrissya Hermita Maukar Maukar Maukar Maukar Maulana, Alvin Muhamad Juandi Muhammad Hanif Muliyono, Nurwakhid Nur Azizah Nuralifia, Elsa Mutiara NURUL HIDAYAH Putra, Wahyuda Mandala Rini Arianty Rini Arianty Rismayuni, Rismayuni Risnawati Risnawati Risnawati Risnawati Saadal Jannah Sarifuddin Madenda Sholeh, Zakiah Ulfah SIAGIAN, AL HAFIZ AKBAR MAULANA Slamet Riyanto soleha, Aisyah Putri Suni, Muhammad Asy’ Arya Suryarini Widodo Susetianingtias, Diana Tri Tri Susetianingtias, Diana Triyani, Rika Subarniati Ubudiyah, Sativa Umri, Ropizar Usiana, Shilan