Article Per Year (5 Year)
p-Index From 2021 - 2026
9.918
P-Index
This Author published in this journals
All Journal Jurnal Neutrino : jurnal fisika dan aplikasinya TELKOMNIKA (Telecommunication Computing Electronics and Control) Jurnal Teknologi Informasi dan Ilmu Komputer Journal of Information Technology and Computer Science Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Tri Dharma Mandiri: Diseminasi dan Hilirisasi Riset Kepada Masyarakat (Jurnal Pengabdian Kepada Masyarakat)
Barlian Henryranu Prasetio
Fakultas Ilmu Komputer, Universitas Brawijaya
Biochemistry, Genetics & Molecular Biology Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering Health Professions Physics Public Health Social Sciences

Published : 111 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 111 Documents
Search

 6   7   8   9   10 
Pemanfaatan Data Sinyal Electroencephalogram (EEG) Pada Deteksi Stress Menggunakan Metode K-Nearest Neighbor (KNN) Ramadhan, Muhammad Fitrah; Bachtiar, Fitra Abdurrachman; Prasetio, Barlian Henryranu
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 13 (2024): Publikasi Khusus Tahun 2024
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Jurnal ini akan dipublikasikan pada Jurnal Nasional Teknik Elektro Dan Teknologi Informasi (JNTETI)
Deteksi Stres Berbasis Electroencephalography (EEG) menggunakan Metode Random Forest Sifaunnufus Ms, Fi Imanur; Bachtiar, Fitra Abdurrachman; Prasetio, Barlian Henryranu
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 13 (2024): Publikasi Khusus Tahun 2024
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Jurnal ini akan dipublikasikan pada Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK)
Penerapan Metode Formant Analysis Dalam Sistem Analisis Pola Suara Untuk Deteksi Dini Penyakit Parkinson Nur, Farhan Marwandi; Prasetio, Barlian Henryranu
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 7 (2024): Juli 2024
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Penyakit Parkinson adalah kondisi degeneratif yang berkembang secara bertahap dan mempengaruhi gerakan tubuh, menyebabkan gejala seperti tremor, kekakuan, dan gangguan bicara. Deteksi dini penyakit ini sangat penting untuk memungkinkan intervensi medis yang lebih efektif dan manajemen gejala yang lebih baik. Penelitian ini bertujuan untuk mengembangkan sistem deteksi dini penyakit Parkinson yang memiliki sifat portabel dan dapat digunakan kapan saja dan dimana saja. Sistem tersebut dirancang dengan menggunakan metode Formant Analysis yang diimplementasikan pada Raspberry Pi 4 Model B. Penelitian ini menggunakan dataset dari IEEE DataPort yang bernama Italian Parkinson’s Voice and Speech, kemudian dimodifikasi sehingga hanya berdurasi sebanyak 4 detik per data sampel agar pengolahan data menjadi lebih akurat. Setelah ekstraksi selesai, setiap kelas akan diklasifikasikan menggunakan Convolutional Neural Network (CNN). Alat ini kemudian akan dioperasikan melalui layar LCD dan Graphical User Interface (GUI). Penerapan metode Formant Analysis dalam menganalisis frekuensi formant telah berhasil menunjukkan bahwa model CNN yang dibuat dapat mendeteksi penyakit Parkinson dengan tingkat akurasi sebesar 96%. Sementara itu akurasi yang dihasilkan sistem adalah 85% dari 20 pengujian dimana kelas Non-Parkinson mendapatkan akurasi 100% dan kelas Parkinson mendapatkan akurasi 70%. Dengan hasil ini, sistem yang dikembangkan menunjukkan potensi besar dalam mendukung diagnosa awal penyakit Parkinson, serta membuka peluang untuk pengembangan lebih lanjut guna meningkatkan akurasi dan fungsionalitasnya di masa mendatang.
Sistem Deteksi Dini Penyakit Parkinson Melalui Voice Pattern Menggunakan Fitur Jitter dan Shimmer Ghifari, Ahmad; Prasetio, Barlian Henryranu
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 7 (2024): Juli 2024
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Penyakit Parkinson, yang merupakan gangguan sistem syaraf yang progresif dan ditandai oleh kerusakan pada sel-saraf penghasil dopamin, dibutuhkan metode deteksi dini yang efektif agar pasien dapat segera mendapatkan penanganan yang lebih cepat dan tepat. Penelitian ini bertujuan untuk mengembangkan sistem deteksi dini penyakit Parkinson melalui analisis pola suara, dengan fokus pada penggunaan fitur Jitter dan Shimmer. Jitter mengukur variasi waktu antara siklus getaran suara, menunjukkan ketidakstabilan dalam produksi suara, sedangkan Shimmer mengukur variasi amplitude pada gelombang suara mengindikasikan perubahan dalam kualitas suara. Implementasi dilakukan pada Raspberry Pi 4 Model B, mengintegrasikan teknologi deep learning dengan arsitektur Convolutional Neural Network (CNN) untuk mengklasifikasikan rekaman suara menjadi kategori Parkinson dan non-Parkinson. Sistem ini dioperasikan dengan LCD dan GUI untuk memudahkan interaksi pengguna dan memastikan bahwa hasil analisis dapat ditampilkan secara efisien dan intuitif. Penelitian ini menggunakan Dataset dari IEEE DataPort dengan durasi rekaman suara yang telah disesuaikan menjadi 4 detik untuk memastikan keakuratan pengolahan data. Penerapan fitur Jitter dan Shimmer pada analisis variasi dalam frekuensi suara dan kestabilan amplitudo berhasil menunjukkan bahwa sistem dapat mendeteksi penyakit Parkinson dengan tingkat ketepatan prediksi hingga 89%. Kinerja alat dan sistem yang baik menunjukkan adanya kesempatan besar untuk pengembangan lebih lanjut.
Sistem Deteksi Penyakit Parkinson Melalui Speech Pattern Menggunakan Fitur Speech Rate, Pause Duration dan Mean Energy Ash-Shadiq, Aqsath Muhammad; Prasetio, Barlian Henryranu
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 7 (2024): Juli 2024
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Pengembangan metode deteksi gangguan suara menggunakan Speech Rate, Pause Duration, dan Mean Energy dengan memanfaatkan Convolutional Neural Network (CNN). Gangguan suara dapat signifikan mempengaruhi komunikasi dan kualitas hidup seseorang. Metode ini mengintegrasikan teknologi CNN untuk mengklasifikasikan suara sebagai normal atau terganggu berdasarkan berbagai fitur akustik yang telah terbukti efektif dalam analisis suara. Penelitian ini bertujuan untuk menerapkan dan mengevaluasi akurasi sistem deteksi berbasis Speech Rate, Pause Duration, dan Mean Energy dalam menganalisis pola suara. Metodologi penelitian mencakup tahapan implementasi pra-pemrosesan sinyal suara, ekstraksi fitur, dan penggunaan perangkat keras seperti Raspberry Pi 4 Model B untuk implementasi dan pengujian sistem secara portable. Evaluasi hasil pengujian menunjukkan bahwa sistem mencapai akurasi sebesar 97% dalam mengklasifikasikan suara sebagai Parkinson atau non-Parkinson, menunjukkan potensi besar aplikasi dalam deteksi dini gangguan suara untuk pemantauan kesehatan jarak jauh.
Sistem Deteksi Depresi melalui Pengenalan Pola Suara dengan Mengimplementasikan Metode Prosody Analysis Putera, Thariq Andhita; Prasetio, Barlian Henryranu
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 7 (2024): Juli 2024
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Depresi merupakan jenis gangguan mental yang cukup umum dijumpai, umumnya depresi akan muncul pada remaja umur 13 – 15 tahun, dan akan mencapai puncaknya pada umur 17 – 18 tahun. Menurut data Riset Kesehatan Dasar (RISKESDAS) pada tahun 2018, penduduk indonesia dengan umur diatas 15 tahun tercatat sebanyak 706.689 terkena gangguan mental depresi. Lebih lanjut, data juga menunjukkan bahwa setidaknya sekitar 1.800 orang melakukan bunuh diri setiap tahunnya akibat depresi. Penelitian ini bertujuan untuk membuat alat yang dapat mendeteksi gangguan mental depresi dengan efisien dan dapat digunakan dimana saja. Alat tersebut dirancang menggunakan metode prosody analysis dengan menerapkan ekstraksi fitur yang dimiliki oleh prosody analysis. Alat akan diimplementasikan ke dalam Raspberry Pi 4 Model B. Penelitian ini menggunakan dataset yang telah disesuaikan dengan durasi 3 detik pada setiap file. Algoritma CNN (Convolution Neural Network) akan digunakan untuk tahap klasifikasi, apabila data yang ada telah melalui ekstraksi fitur. Alat akan dioperasikan menggunakan LCD Display dengan ukuran 3.5 inci dan GUI (Graphical User Interface) akan digunakan sebagai layar utama pada LCD. Hasil penelitian yang telah dilakukan menunjukkan bahwa algoritma CNN memiliki tingkat akurasi sebesar 97%, sementara alat mendapatkan tingkat ketepatan sebesar 80% dari 15 data uji dengan 12 data diantara dapat di prediksi dengan tepat, depresi mendapatkan tingkat ketepatan sebesar 71% dan non-depresi mendapatkan tingkat ketepatan sebesar 87%. Dari penelitian yang telah dilaksanakan, alat serta sistem yang telah dirancang dapat bekerja dengan baik sehingga dapat dikembangkan lebih lanjut. Kata kunci: Prosody Analysis, Depresi, CNN, Raspberry Pi 4
Sistem Prediksi Genre Musik dan Penyediaan Tautan Rekomendasi Daftar Putar Menggunakan Teknik STFT dan Decision Tree Machine Learning Novea, Leisha; Barlian Henryranu Prasetio
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 7 (2024): Juli 2024
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Musik adalah bagian penting dalam kehidupan manusia yang dapat memberikan kesenangan dan meningkatkan mood. Pada Juni 2020, Indonesia menempati peringkat ke-18 dunia dalam pasar musik streaming, di mana smartphone menjadi medium utama untuk mengakses musik. Namun, seringkali terjadi kebosanan dengan musik yang sering didengar dan sulit menemukan musik baru yang sesuai dengan preferensi. Oleh karena itu, diperlukan pengklasifikasian musik sesuai genre untuk membantu penikmat musik menemukan musik baru. Penulis mengembangkan sistem klasifikasi genre musik menggunakan teknik Short-Time Fourier Transform (STFT) dan model Decision Tree untuk personalisasi tautan playlist musik. Mikrofon laptop digunakan untuk memperoleh sinyal audio, dan fitur diekstraksi menggunakan STFT. Dataset GTZAN digunakan sebagai data training dan testing untuk memvalidasi model. Proses penelitian melibatkan perolehan sinyal audio, ekstraksi fitur dengan STFT, tampilan spektrogram, dan klasifikasi genre musik menggunakan Decision Tree. Setelah fitur diekstraksi dengan Librosa Python pada Jupyter Notebook, data di-training dengan rata-rata akurasi 75% (training) dan 54% (testing). Hasil training disimpan dan digunakan untuk klasifikasi dengan Librosa dan Sounddevice untuk perolehan rekaman audio. Output akhir berupa prediksi genre musik serta tautan playlist sesuai genre yang ditampilkan pada website Streamlit. Penelitian ini menyimpulkan bahwa kombinasi STFT dan Decision Tree dapat memprediksi genre musik.
Penerapan Metode Hidden Markov Model Pada Sistem Pengenalan Suara Sirene Kendaraan Darurat Rajasa, Mohammad Fariq; Prasetio, Barlian Henryranu
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 7 (2024): Juli 2024
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Sirene merupakan sebuah alat yang dapat menghasilkan suara yang keras dengan tujuan untuk menunjukan tanda bahaya. Sirene digunakan untuk kendaraan darurat seperti ambulans, pemadam kebakaran, dan polisi. Sirene kendaraan ini memiliki bunyi yang berbeda dan memiliki penerapan yang berbeda. Tujuan dari penelitian ini adalah untuk merancang sebuah alat yang dapat mengenali jenis suara sirene kendaraan darurat yang dapat digunakan dalam setiap situasi. Dataset yang digunakan adalah SirenNet yang merupakan audio data suara sirene kendaraan berdurasi 3 detik. Alat ini akan menerapkan metode Mel-Frequency Ceptral Coefficient (MFCC) untuk mengekstraksikan fitur dari data suara, dan melakukan proses pengenalan terhadap data suara dengan algoritma Hidden Markov Model (HMM) untuk diimplementasikan ke dalam Raspberry Pi 4 dan dapat dioperasikan melalui layar LCD Display yang terhubung dengan sistem. Penelitian ini menunjukan model HMM yang telah dibuat mendapatkan nilai akurasi sebesar 86%, dan alat dapat memprediksi sebesar 73,3% dari 30 jenis data suara. Sistem memiliki akurasi dalam mendeteksi sirene ambulans sebesar 80%, pemadam kebakaran sebesar 90%, dan polisi sebesar 50%.
Sistem Klasifikasi Genre Musik Berdasarkan Ritme dan Frekuensi Menggunakan Ekstraksi Fitur MFCC dan F0 dengan Algoritma Decision Tree Haqyah, Saprina Hani; Prasetio, Barlian Henryranu
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 7 (2024): Juli 2024
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Musik adalah salah satu bentuk hiburan yang sangat diminati dan esensial dalam kehidupan manusia. Dalam konteks industri musik saat ini, pengelompokan genre musik memiliki peran penting dalam penyediaan konten musik yang lebih terarah dan sesuai dengan preferensi pendengar. Meskipun telah banyak platform musik canggih yang tersedia, pengguna masih mengalami kesulitan dalam menemukan musik yang sesuai dengan preferensi mereka. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi genre musik yang akurat dengan menggunakan metode ekstraksi fitur ritme dan frekuensi. Menggunakan dataset GTZAN yang terdiri dari 10 genre musik, yaitu Blues, Classical, Country, Disco, Hip-hop, Jazz, Metal, Pop, Reggae, dan Rock. Teknik ekstraksi fitur yang digunakan adalah Mel Frequency Cepstral Coefficient (MFCC) dan F0, dengan algoritma Decision Tree. Hasil penelitian menunjukkan bahwa algoritma Decision Tree mampu mengklasifikasikan genre musik dengan tingkat akurasi sebesar 52%. Fitur MFCC dan F0 terbukti memberikan kontribusi signifikan dalam meningkatkan akurasi klasifikasi, dengan MFCC memberikan informasi yang lebih detail mengenai spektrum frekuensi, sementara F0 membantu dalam mengenali pola ritme yang khas dari masing-masing genre. Sistem ini mampu memprediksi genre musik secara otomatis dengan efisien, namun tantangan masih ditemukan dalam membedakan genre yang memiliki kemiripan dalam ritme dan melodi, seperti Rock dan Metal.
Penerapan Transformasi Fractional Pada Representasi Fitur Mel Frequency Cepstral Coefficients (MFCC) untuk Mendeteksi Tingkat Emosi Disgust Mahardika, Aryanta Seta; Prasetio, Barlian Henryranu
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 8 (2024): Agustus 2024
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Manusia tidak dapat dipisahkan dari perasaan dan emosi, yang mencerminkan reaksi seseorang terhadap berbagai hal di sekitar. Enam emosi dasar terbagi menjadi ketakutan, amarah, kebahagiaan, kesedihan, rasa jijik, dan perasaan kaget. Emosi jijik, khususnya, berperan penting dalam kesehatan mental. Oleh karena itu, dalam proyek skripsi ini dilakukan pembuatan sebuah alat yang dapatmengidentifikasi emosi jijik dengan tiga tingkat intensitas berupa boredom (rendah), disgust (sedang), dan loathing (tinggi), berdasarkan model Plutchik's wheel of emotions. Alat ini dirancang menggunakan metode yang diusulkan menggunakan transformasi fractional pada fitur Mel frequency cepstral coefficients (MFCC) dan aplikasi Fractional Fourier Transform (FrFT), yangmeningkatkan akurasi identifikasi ucapan. Selain itu, penelitian ini menerapkan Random Forest Classifier (RFC) untuk klasifikasi tingkat emosi jijik. Pada penelitian ini metode ekstraksi fitur dengan menggunakan FrFCC dan klasifikasi RFC memiliki tingkat akurasi rendah sebesar 40 %, dimana terdapat 2 faktor utama yang dapat mempengaruhi rendahnya akurasi yaitu besarnya variable derajat yang digunakan dalam perhitungan FrFT dan adanya overfitting dalam pelatihan data yang menyebabkan gagal men-generalisasi data baru atau data tidak terlihat. 
Co-Authors Achmad Ridok Adharul Muttaqin Adi Setiawan Adven Edo Prasetya Adven Edo Prasetya, Adven Edo Agra Firmansyah Ahmad Afif Supianto Aldi Jayadi Ali, Zidane Allaam, Fakhrul Arief Kurniawan Aryo Pinandito Ash-Shadiq, Aqsath Muhammad Aswin Suharsono, Aswin Atmojo Pamungkas, Handoko Bagus Ayu Astina Sari, Ni Made Baariu, Rahagi Abdu Bagus Priyo Pangestu Brylliano Maza Putra Budi Darma Setiawan Budy Prakoso, Khrisna Shane Chatarina Umbul Wahyuni Dahnial Syauqy Dayat, Fauzi Syarifulloh Defri Alif Raihan Denny Sagita Rusdianto Dhimas Arfian Lazzuardhy Dini Eka Ristanti Dini Ismawati Dwiki Ilham Bagaskara Dwinanda Romolo Edita Rosana Widasari Edita Rosana Widasari, Edita Rosana Eko Setiawan Eko Setiawan Eko Setiawan Fabiana, Ryzaldi Ananda Fachry Ananta Fadhilah, Khairian Fadhillah, Muhammad Galih Faisal Natanael Lubis Faviansyah Arianda Pallas Faza Gustaf Marrera Fitra Abdurrachman Bachtiar Fitriyah, Hurriyatul Gembong Edhi Setiawan Gembong Edhi Setyawan Ghifari, Ahmad Hafidz Abdillah Masruri Hanifa Maulani Ramadhan Haqyah, Saprina Hani Heru Nurwarsito Hilal Imtiyaz I Wayan Boby Astagina Naghi Imam Cholissodin Iqbal Maulana Susanto Irfan Muzakky Nurrizqy Irwanda Adhi Firmantara Isnandar, Muhammad Fawwaz Dynoeputra Iwasawa, Takeru Jevandika Joan Chandra Kustijono Julisya Thana Khriswanti Kamal, Attar Syifa Kusuma, Lindhu Parang La Ode Adriyan Hazmar Lavanna Indanus Ramadhan M. Hannats Hanafi Ichsan M. Ihsan An-Nashir Mahardika, Aryanta Seta Mochammad Hannats Hanafi Mochammad Hannats Hanafi Ichsan Muchlas Mughniy Muflih, Aufada Muhammad Fatikh Hidayat Muhammad Ghifari, Muhammad Muhammad Habib Jufah Alhamdani Muhammad Nabil Aljufri Muhammad Rizki Chairurrafi Nadi Rahmat Endrawan Nashrullah, Ega Rasendriya Naviaddin, Arsal Wildan Ngulandoro, Mochammad Giri Wiwaha Nobel Edgar Novaria Elsari Ryzkiansyah Novea, Leisha Nur, Farhan Marwandi Nurrizqy, Irfan Muzakky Nurul Hidayat Ovriawan Aldo Pribadi Putra Paleva, Haidar Rheza Panggabean, Riki Boy Parja, Mujianto Anda Perkasa, Septiyo Budi Permana, Galih Pierl Kritzenger Sinaga Prawironegoro, Abdul Harris Putera, Thariq Andhita Putra Pamungkas, Dimas Resha Putra, Brylliano Maza Putra, Ravelino Adhianto Surya Raden Galih Paramananda Rahmawan, Muhammad Fuad Rajasa, Mohammad Fariq Rakhmadhany Primananda, Rakhmadhany Ramadhan, Dimas Ramadhan, Muhammad Fitrah Randy Cahya Wihandika Rekyan Regasari Mardi Putri, Rekyan Regasari Mardi Reza Hastuti Riyad Febrian Rizal Maulana Rizal Maulana, Rizal Rosyana Lencie Mampioper Ryan Anggito Priono Sabriansyah Rizkiqa Akbar Sabriansyah Rizqika Akbar Sabriansyah Rizqika Akbar Septiyo Budi Perkasa Sifaunnufus Ms, Fi Imanur Sigit Priyo Jatmiko Subianto, Aflah Fadhlurrahman Syahrul Chilmi, Syahrul Tampubolon, Jeremya Tiara Mahardika Tibyani Tibyani Utaminingrum, Fitri Valensiyah Rozika Widasari, Edita Rosana Wijaya Kurniawan Wijaya Kurniawan Yosia Nindra Kristiantya Yudhistira, Gevan Putra Yunan Alamsyah Nasution Yusril Dewantara Yusuf, Delfi Olivia