Article Per Year (5 Year)
p-Index From 2021 - 2026
2.461
P-Index
This Author published in this journals
All Journal IAES International Journal of Artificial Intelligence (IJ-AI) Jurnal Ilmu Komputer dan Informasi Jurnal Ilmiah Informatika Komputer Jurnal Ilmiah Teknologi dan Rekayasa Bulletin of Electrical Engineering and Informatics ILKOM Jurnal Ilmiah Sang Pencerah: Jurnal Ilmiah Universitas Muhammadiyah Buton Decode: Jurnal Pendidikan Teknologi Informasi Jurnal Pengabdian Kepada Masyarakat Darma Saskara
Susetianingtias, Diana Tri
Gunadarma University
Agriculture, Biological Sciences & Forestry Humanities Automotive Engineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Library & Information Science Materials Science & Nanotechnology Social Sciences Other

Published : 15 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 15 Documents
Search

 1   2 
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.
A Transfer Learning Approach Using EfficientNetB0 for Automated Eczema Severity Detection Susetianingtias, Diana Tri; Maukar; Rodiah
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 6 No. 3: NOVEMBER 2026
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v6i3.1848

Abstract

Eczema (atopic dermatitis) is a chronic inflammatory skin condition whose severity can be difficult to assess consistently from images. Although convolutional neural networks have been applied to dermatological classification, evidence on three-class eczema severity classification using a lightweight transfer-learning model and its implementation as a research prototype remains limited. This study developed an EfficientNetB0 classifier for Normal, Mild, and Severe classes using 1,950 source images. The images were processed at 224 × 224 pixels, augmented only in the training set, and trained in two stages: feature extraction and fine-tuning. The generator produced 1,560 training images and 389 development-validation images. The best model was selected by validation AUC and achieved 89.97% validation accuracy and an AUC of 0.9716. Normal had the highest recall (0.99), while Severe had the highest precision (0.95); most errors involved the Mild and Severe classes. The model was integrated into a browser-based prototype using Flask, HTML, Tailwind CSS, and JavaScript. Because the same validation subset was used for early stopping, checkpoint selection, and final reporting, these results should not be interpreted as independent test performance. The prototype is intended for research and educational use and does not replace professional diagnosis.
Co-Authors Agung Slamet Riyadi Any Kurniawaty Yapie Diny Wahyuni Dody Pernadi Dody Pernadi Duriyawati Eka Patriya Ety Sutanty Fitrianingsih Fitrianingsih Indah Sinthya Permata Sari Matrissya Hermita Maukar Maukar Maukar Maulana Mujahidin Missa Lamsani Mochamad Wisuda Sardjono Patriya, Eka Rini Arianty Rini Arianty Risnawati Risnawati Rodiah Rodiah Rodiah Sanusi, Haura Sarifuddin Madenda Siti Chodijah Sri Wulan Windu Ratih Suryadi, Soleh