Article Per Year (5 Year)
p-Index From 2021 - 2026
1.152
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering Jurnal Teknik ITS Jurnal Buana Informatika TELKOMNIKA (Telecommunication Computing Electronics and Control) Bulletin of Electrical Engineering and Informatics JUTI: Jurnal Ilmiah Teknologi Informasi 'ADALAH Bulletin of Electrical Engineering and Informatics Scan : Jurnal Teknologi Informasi dan Komunikasi Seminar Nasional Informatika (SEMNASIF) Jurnal Inspiration Bulletin of Electrical Engineering and Informatics Melek IT: Information Technology Journal Journal Research of Social Science, Economics, and Management Sewagati
Handayani Tjandrasa
Departemen Teknik Informatika Institut Teknologi Sepuluh Nopember Surabaya
Arts Humanities Computer Science & IT Decision Sciences, Operations Research & Management Dentistry Education Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Public Health Social Sciences Other

Published : 35 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 35 Documents
Search

 1   2   3   4 
KOMPARASI METODE SCICA DAN WICA PADA PRAPROSES DATA EEG OTAK MANUSIA UNTUK DETEKSI PENYAKIT EPILEPSI Aditya Bagusmulya; Handayani Tjandrasa; Chastine Fatichah
JUTI: Jurnal Ilmiah Teknologi Informasi Vol 14, No. 2, Juli 2016
Publisher : Department of Informatics, Institut Teknologi Sepuluh Nopember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j24068535.v14i2.a564

Abstract

Epilepsi merupakan salah satu kelainan pada otak manusia yang tidak dapat disembuhkan. Penyakit ini menimbulkan kejang pada tubuh dan sangat mengganggu aktivitas. Pada tingkat yang parah, epilepsi dapat membahayakan nyawa penderitanya. Oleh sebab itu, epilepsi harus dideteksi secara dini agar penderita segera mendapatkan penanganan yang tepat sehingga keadaannya tidak memburuk. Pada penelitian ini, deteksi epilepsi dilakukan dengan menggunakan beberapa metode, yaitu Independent Component Analysis (ICA), Wavelet Transform (WT), dan Multilayer Perceptron (MLP). Hasil deteksi diklasifikasikan ke dalam tiga kelas, yaitu normal, epilesi tidak kejang, dan epilepsi kejang. Data rekaman electroencephalogram (EEG) yang digunakan berasal dari ''Klinik für Epileptologie, Universität Bonn” yang diperoleh secara online. Data tersebut merupakan EEG single channel sehingga harus menggunakan teknik-teknik ICA untuk single channel, seperti Single Channel Independent Component Analysis (SCICA) dan Wavelet Independent Component Analysis (WICA). Penelitian ini membandingkan kedua teknik tersebut dalam melakukan praproses data sehingga akan terlihat teknik mana yang lebih baik. Hasil pendeteksian terbaik dihasilkan dari model yang menggunakan teknik SCICA sebagai penghilang derau dan ektraksi fitur Discrete Wavelet Transform Daubechies 6 dengan 4 level. Berdasarkan uji coba, metode tersebut menghasilkan akurasi sebesar 92.09%.
KLASIFIKASI DATA EEG UNTUK MENDETEKSI KEADAAN TIDUR DAN BANGUN MENGGUNAKAN AUTOREGRESSIVE MODEL DAN SUPPORT VECTOR MACHINE Yunan Helmi Mahendra; Handayani Tjandrasa; Chastine Fatichah
JUTI: Jurnal Ilmiah Teknologi Informasi Vol 15, No. 1, Januari 2017
Publisher : Department of Informatics, Institut Teknologi Sepuluh Nopember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j24068535.v15i1.a633

Abstract

Tidur merupakan kebutuhan dasar manusia. Salah satu gangguan tidur yang cukup berbahaya adalah narkolepsi, yaitu gangguan tidur kronis yang ditandai dengan rasa kantuk yang luar biasa di siang hari dan serangan tidur yang terjadi secara tiba-tiba. Salah satu metode dokter untuk mendiagnosis penyakit narkolepsi adalah dengan melihat aktivitas gelombang otak (melalui sinyal EEG) pasien. Penelitian ini bertujuan untuk mengembangkan perangkat lunak yang dapat mengklasifikasikan keadaan tidur dan bangun melalui sinyal EEG secara otomatis. Dataset EEG yang digunakan tersedia di Physionet. Pertama-tama data EEG yang menjadi masukan dilakukan normalisasi dan filtering. Proses filtering dilakukan untuk membagi data menjadi 3 subband yaitu theta, alpha, dan beta. Setelah itu pada masing-masing subband dilakukan tahap ekstraksi fitur menggunakan Autoregressive Model. Hasil estimasi koefisien AR model digunakan sebagai fitur. Metode yang digunakan untuk mengestimasi koefisien AR model yaitu metode Yule-Walker dan metode Burg. Dataset dibagi menjadi data latih dan data uji menggunakan 10-fold cross validation. Data training digunakan untuk membuat SVM Model. SVM Model digunakan untuk mengklasifikasikan data testing sehingga menghasilkan keluaran label 1 untuk tidur dan label 0 untuk bangun. Untuk menentukan kelas final dilakukan majority vote dari hasil klasifikasi masing-masing subband. Performa sistem diperoleh dengan menghitung akurasi, presisi, dan sensitivitas pada setiap skenario uji coba. Skenario uji coba yang dilakukan antara lain dengan memvariasikan order AR, fungsi kernel, dan parameter C pada SVM. Dari hasil uji coba yang dilakukan, metode Yule-Walker menghasilkan rata-rata akurasi 80.60%, presisi 78.19%, dan sensitivitas 77.56%. Metode Burg menghasilkan akurasi 94.01%, presisi 95.70%, dan sensitivitas 93.39%. Hasil tersebut menunjukkan metode Burg memiliki performa lebih baik dibandingan dengan metode Yule-Walker.
KLASIFIKASI EEG EPILEPSI MENGGUNAKAN SINGULAR SPECTRUM ANALYSIS, POWER SPECTRAL DENSITY DAN CONVOLUTION NEURAL NETWORK Nurseno Bayu Aji; Handayani Tjandrasa
JUTI: Jurnal Ilmiah Teknologi Informasi Vol 15, No. 2, Juli 2017
Publisher : Department of Informatics, Institut Teknologi Sepuluh Nopember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j24068535.v15i2.a662

Abstract

Epilepsi merupakan gangguan sistem syaraf otak manusia dan menyebabkan berbagai reaksi terhadap tubuh manusia. Epilepsi dapat dideteksi dengan menggunakan Electroencephalogram (EEG). Pengamatan EEG secara visual tidak mungkin dilakukan secara rutin, sehingga dibutuhkan deteksi otomatis pada EEG. Sistem deteksi EEG secara otomatis terdiri dari 2 langkah, yaitu ekstraksi fitur dan klasifikasi. Power Spectral Density (PSD) adalah metode ekstraksi fitur yang sering dipakai untuk memunculkan karakteristik EEG dengan mengelompokkan energi pada EEG. Pada proses klasifikasi metode Convolution Neural Network (CNN) dapat mereduksi fitur hasil PSD dan digunakan mengklasifikasikan multiclass dari EEG. Namun, data EEG memiliki kecenderungan bercampur noise berupa sinyal yang lain saat perekaman, oleh karena itu sebelum data EEG diklasifikasikan, perlu dilakukan pengolahan terlebih dahulu.  Pada penelitian ini diusulkan penggabungan metode Singular Spectrum Analysis (SSA) untuk penghilang noise, PSD sebagai ekstraksi fitur dan CNN sebagai klasifier. Penelitian ini dilakukan melalui beberapa fase, pertama adalah menghilangkan noise yang bercampur dengan sinyal EEG menggunakan SSA. Selanjutnya ekstraksi fitur menggunakan PSD untuk diambil energi dari sinyalnya, dan terakhir diklasifikasi dengan CNN. Pengujian klasifikasi akan dilakukan ke 500 sinyal dengan target 5 kelas dan 3 kelas. Untuk mengetahui performa terhadap metode yang diusulkan, akan dilakukan pengujian antara gabungan PSD dengan CNN yang akan dibandingkan dengan gabungan SSA, PSD dan CNN.Berdasarkan hasil uji coba, metode diusulkan yaitu SSA, PSD dan CNN dapat meningkatkan rata-rata hasil akurasi klasifikasi sebesar 1,2% dari 93,2% menjadi 94,4%, untuk kasus 3 kelas  dan meningkatkan 13,4% dari 78,6% menjadi 92%, untuk kasus 5 kelas dibandingkan metode PSD dengan CNN.
Segmentasi Citra Sel Tunggal Smear Serviks Menggunakan Metode Radiating Normally Biased Generalized Gradient Vector Flow Snake Martini Dwi Endah Susanti; Handayani Tjandrasa; Chastine Fatichah
JUTI: Jurnal Ilmiah Teknologi Informasi Vol 16, No. 2, Juli 2018
Publisher : Department of Informatics, Institut Teknologi Sepuluh Nopember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j24068535.v16i2.a762

Abstract

Sebuah sistem penyaringan otomatis dan sistem diagnosa yang akurat sangat berguna untuk proses analisis hasil pemeriksaan pap smear. Langkah yang paling utama dari sistem tersebut adalah proses segmentasi sel nukleus dan sitoplasma pada citra hasil pemeriksaan pap smear, karena dapat memengaruhi keakuratan sistem. Normally Biased Generalized Gradient Vector Flow Snake (NBGGVFS) merupakan sebuah algoritma gaya eksternal untuk active contour (snake) yang menggabungkan metode Generalized Gradient Vector Flow Snake (GGVFS) dan Normally Biased Gradient Vector Flow Snake (NBGVFS). Dalam memodelkan snake, terdapat fungsi edge map. Edge map biasanya dihitung dengan menggunakan operator deteksi tepi seperti sobel. Namun, metode ini tidak dapat mendeteksi daerah nukleus dari citra smear serviks dengan benar. Penelitian ini bertujuan untuk segmentasi citra sel tunggal smear serviks dengan memanfaatkan penggunaan Radiating Edge Map untuk menghitung edge map dari citra dengan metode NBGGVFS. Metode yang diusulkan terdiri atas tiga tahapan utama, yaitu tahap praproses, segmentasi awal dan segmentasi kontur. Uji coba dilakukan dengan menggunakan data set Herlev. Pengujian dilakukan dengan membandingkan hasil segmentasi metode yang diusulkan dengan metode pada penelitian sebelumnya dalam melakukan segmentasi citra sel tunggal smear serviks. Hasil pengujian menunjukkan bahwa metode yang diusulkan mampu mendeteksi area nukleus lebih optimal metode penelitian sebelumnya. Nilai rata-rata akurasi dan Zijdenbos Similarity Index (ZSI) untuk segmentasi nukleus adalah 96,96% dan 90,68%. Kemudian, nilai rata-rata akurasi dan ZSI untuk segmentasi sitoplasma adalah 86,78% and 89,35%. Dari hasil evaluasi tersebut, disimpulkan metode yang diusulkan dapat digunakan sebagai proses segmentasi citra smear serviks pada identifikasi kanker serviks secara otomatis.
Optic Nerve Head Segmentation Using Hough Transform and Active Contours Handayani Tjandrasa; Ari Wijayanti; Nanik Suciati
TELKOMNIKA (Telecommunication Computing Electronics and Control) Vol 10, No 3: September 2012
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/telkomnika.v10i3.833

Abstract

Optic nerve head is part of the retina where ganglion cell axons exit the eye to form the optic nerve. Glaucomatous changes related to loss of the nerve fibers decrease the neuroretinal rim and expand the area and volume of the cup. Therefore optic nerve head evaluation is important for early diagnosis of glaucoma. This study implements the detection of the optic nerve head in retinal fundus images based on the Hough Transform and Active Contour Models. The process starts with the image enhancement using homomorphic filtering for illumination correction, then proceeds with the removal of blood vessels on the image to facilitate the subsequent segmentation process. The result of the Hough Transform fitting circle becomes the initial level set for the active contour model. The experimental results show that the implemented segmentation algorithms are capable of segmenting optic nerve head with the average accuracy of 75.56% using 30 retinal images from the DRIVE database.Optic nerve head segmentation using hough transform and active contours
Co-Authors Aditya Bagusmulya Agus Zainal Arifin Agus Zainal Arifin Ahmad Hayam Brilian, Ahmad Hayam Ahmad Hifdhul Abror, Ahmad Hifdhul Ahmad Hifdu Abror Ahmad Mustofa Ahmad Reza Musthafa, Ahmad Reza Ahmad Syauqi Ahmad Syauqi Akwila Feliciano Akwila Feliciano Anny Yuniarti Ari Wijayanti Azwar Rizal Alfarisi Bilqis Amaliah Chastine Fatichah Claudia Primasiwi Daniel Sugianto Darlis Herumurti Diana Purwitasari Dini A. Navastara Dini Adni Navastara, Dini Adni Edio da Costa Elvira, Ade Irma Evelyn Sierra Fajar Astuti Hermawati Fandy Kuncoro Adianto Fandy Kuncoro Adianto Fatonah, Nenden Siti Fiqey Indriati Eka Sari Gama Wisnu Fajarianto Gigih P. Cahyono Hendra Mesra Heru Purnomo Ipung Isye Arieshanti Kevin Christian Hadinata Kevin Christian Hadinata Martini Dwi Endah Susanti Muhammad Fikri Sunandar Nadya Anisa Syafa Nanik Suciati Ndung'u, Michael Nurseno Bayu Aji Qomariah, Dinial Utami Nurul Rangga Kusuma Dinata Rangga Kusuma Dinata Safhira Maharani Safhira Maharani Saiful Bahri Musa Saiful Nur Budiman Salim Bin Usman Salim Bin Usman Sandy Akbar Dewangga Sherly Rosa Anggraeni Sherly Rosa Anggraeni Stendy B. Sakur, Stendy B. Supeno Djanali Whardana, Adithya Kusuma Yudhi Purwananto Yulia Niza Yulia Niza Yunan Helmi Mahendra Yunita Ardilla Zakiya Azizah Cahyaningtyas Zakiya Azizah Cahyaningtyas