Article Per Year (5 Year)
p-Index From 2021 - 2026
2.133
P-Index
This Author published in this journals
All Journal Teknotan: Jurnal Industri Teknologi Pertanian Jurnal Ilmiah Informatika Komputer UG Journal Prosiding KOMMIT Jurnal Teknologi Informasi dan Ilmu Komputer Jurnal Ilmiah KOMPUTASI Prosiding SeNTIK STI&K
Lulu Mawaddah Wisudawati
Universitas Gunadarma
Civil Engineering, Building, Construction & Architecture Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Engineering Health Professions Languange, Linguistic, Communication & Media Other

Published : 14 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search
Journal : Jurnal Ilmiah KOMPUTASI

 1 
Ektraksi Fitur Menggunakan Gabungan Hough Transform dengan Gabor Filter dan Klasifikasi Normal dan Abnormal Citra Mamogram Menggunakan Support Vector Machine Muhammad Rizky Danur; Lulu Mawaddah Wisudawati
Jurnal Ilmiah Komputasi Vol. 22 No. 1 (2023): Jurnal Ilmiah Komputasi : Vol. 22 No 1, Maret 2023
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32409/jikstik.22.1.3223

Abstract

Penyakit kanker payudara saat ini menjadi salah satu penyakit mematikan dan umumnya terjadi pada wanita. Kanker payudara dapat dideteksi dengan menggunakan alat mammografi. Citra mammogram memiliki beberapa tipe abnormalitas yang bentuknya seperti noda kecil dan terdapat titik-titik, dimana terdapat massa didalamnya, Massa yang memiliki karakteristik berbeda dalam hal bentuk, batas tepi dan densitas yang digunakan dalam menentukan pengklasifikasian tumor. Klasifikasi citra mammogram terbagi menjadi dua yaitu normal dan abnormal. Penelitian ini bertujuan untuk melakukan ekstraksi fitur menggunakan gabungan metode hough transform dengan gabor filter dan klasifikasi normal dan abnormal menggunakan support vector machine. Tahapan penelitian ini terdiri dari akuisisi data menggunakan database DDSM (Digital Database for Screening Mammography) berjumlah 297 citra dengan 198 citra normal dan 99 citra abnormal (58 tumor jinak dan 41 tumor ganas). Tahapan selanjutnya citra dipartisi menjadi 4 bagian untuk mendapatkan fitur lokal dari citra mammogram. Tahapan ekstraksi fitur dilakukan menggunakan hough transform dan gabor dengan sudut 450. Klasifikasi citra mammogram normal dan abnormal dilakukan dengan menggunakan support vector machine dengan kernel rbf dan diperoleh hasil akurasi sebesar 86.8% dengan nilai sensivitas sebesar 73.7%, spesifisitas 93.4%, dan nilai AUC 0.87. Evaluasi dilakukan menggunakan K-fold 10 validation.
Ektraksi Fitur Menggunakan Gabungan Hough Transform dengan Gabor Filter dan Klasifikasi Normal dan Abnormal Citra Mamogram Menggunakan Support Vector Machine Muhammad Rizky Danur; Lulu Mawaddah Wisudawati
Jurnal Ilmiah Komputasi Vol. 22 No. 1 (2023): Jurnal Ilmiah Komputasi : Vol. 22 No 1, Maret 2023
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32409/jikstik.22.1.3223

Abstract

Penyakit kanker payudara saat ini menjadi salah satu penyakit mematikan dan umumnya terjadi pada wanita. Kanker payudara dapat dideteksi dengan menggunakan alat mammografi. Citra mammogram memiliki beberapa tipe abnormalitas yang bentuknya seperti noda kecil dan terdapat titik-titik, dimana terdapat massa didalamnya, Massa yang memiliki karakteristik berbeda dalam hal bentuk, batas tepi dan densitas yang digunakan dalam menentukan pengklasifikasian tumor. Klasifikasi citra mammogram terbagi menjadi dua yaitu normal dan abnormal. Penelitian ini bertujuan untuk melakukan ekstraksi fitur menggunakan gabungan metode hough transform dengan gabor filter dan klasifikasi normal dan abnormal menggunakan support vector machine. Tahapan penelitian ini terdiri dari akuisisi data menggunakan database DDSM (Digital Database for Screening Mammography) berjumlah 297 citra dengan 198 citra normal dan 99 citra abnormal (58 tumor jinak dan 41 tumor ganas). Tahapan selanjutnya citra dipartisi menjadi 4 bagian untuk mendapatkan fitur lokal dari citra mammogram. Tahapan ekstraksi fitur dilakukan menggunakan hough transform dan gabor dengan sudut 450. Klasifikasi citra mammogram normal dan abnormal dilakukan dengan menggunakan support vector machine dengan kernel rbf dan diperoleh hasil akurasi sebesar 86.8% dengan nilai sensivitas sebesar 73.7%, spesifisitas 93.4%, dan nilai AUC 0.87. Evaluasi dilakukan menggunakan K-fold 10 validation.
Pembacaan Gerak Bibir Menggunakan Cnn, Bi-Lstm Dan Ctc Loss Function Pada Dataset Bahasa Inggris Wisudawati, Lulu Mawaddah; Mahesa Tirta Panjalu
Jurnal Ilmiah Komputasi Vol. 24 No. 1 (2025): Jurnal Ilmiah Komputasi : Vol. 24 No 1, Maret 2025
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32409/jikstik.24.1.3658

Abstract

Tunarungu adalah orang yang mengalami gangguan pendengaran. Dampak utama dari kondisi ini adalah hambatan dalam komunikasi verbal atau lisan, sehingga menyulitkan komunikasi dengan orang yang mendengar. Bagian bibir adalah bagian yang biasa digunakan untuk berbicara atau berkomunikasi. Gerakan bibir saat berkomunikasi akan menghasilkan gerakan yang berbeda-beda setiap kata atau huruf yang diucapkan. Bibir dapat digunakan untuk memprediksi kata dari gerak bibir yang akan terdeteksi saat berbicara. Teknologi yang semakin berkembang dapat membantu permasalahan tersebut dalam membaca gerak bibir. Convolutional Neural Network atau CNN telah berkembang pesat dan menjadi salah satu metode yang paling populer dalam bidang pengenalan citra dan pemrosesan video karena kemampuannya untuk secara otomatis mempelajari fitur dari data masukan. Penelitian ini bertujuan melakukan pembacaan gerak bibir menggunakan metode CNN, Long Short-Term Memory (LSTM) dan Connectionist Temporal Classification (CTC) dalam bahasa inggris. Penelitian ini menggunakan dataset dari  The Grid audiovisual sentence corpus sebanyak 1000 video dan 1000 teks. Pada tahapan preprocessing terdiri dari dua bagian yaitu preprocessing video dan preprocessing teks. Tahapan preprocessing video meliputi konversi grayscale, cropping frame, augmentasi dan normalisasi. Tahapan preprocessing teks dilakukan proses encoding pada dataset alignments. Tahapan klasifikasi menggunakan metode Convolutional Neural Networks, Long Short-Term Memory dan Connectionist Temporal Classification Loss Function. Hasil evaluasi mendapatkan nilai akurasi terbaik sebesar 96,9%, Word Error Rate (WER) sebesar 0,66%, dan Character Error Rate (CER) sebesar 0,16% dengan menggunakan model yang dengan skenario data 80:20 dan batch size 2.
Co-Authors Alhadar, Ahmad Muhamad Salim Atmaja, Pungky Hari Wira Dini Sumartini Fadhilah Nur Amaliah Fhinka Hanifah Imam Purwanto Irfan Islamy Jessica Permatasari, Jessica Mahesa Tirta Panjalu Muhamad Trian Diwandanu Muhammad Rizky Danur Muhammad Subali Rehan Ridho Putra Teresa, Teresa