Article Per Year (5 Year)
p-Index From 2020 - 2025
1.835
P-Index
This Author published in this journals
All Journal Jurnal Informatika dan Teknik Elektro Terapan Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Jurnal RESISTOR (Rekayasa Sistem Komputer) Explore IT : Jurnal Keilmuan dan Aplikasi Teknik Informatika JASIEK (Jurnal Aplikasi Sains, Informasi, Elektronika dan Komputer) JATI (Jurnal Mahasiswa Teknik Informatika) Soeropati: Journal of Community Service Melek IT: Information Technology Journal Jurnal Krisnadana Nusantara Journal of Computers and its Applications Kohesi: Jurnal Sains dan Teknologi
Cahya Bagus Sanjaya
Universitas Yudharta Pasuruan
Religion Arts Humanities Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Energy Engineering Environmental Science Industrial & Manufacturing Engineering Mathematics Social Sciences Other

Published : 21 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Nusantara Journal of Computers and its Applications

 1 
KLASIFIKASI JENIS PENYAKIT DAUN ANGGUR MENGGUNAKAN METODE EKSTRAKSI FITUR GLCM DAN NEURAL NETWORK Anggy Jovano; Muhammad Imron Rosadi; Cahya Bagus Sanjaya
NJCA (Nusantara Journal of Computers and Its Applications) Vol 6, No 2 (2021): Desember 2021
Publisher : Computer Society of Nahdlatul Ulama (CSNU) Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36564/njca.v6i2.218

Abstract

Buah anggur atau nama ilimiah Vitis vinifera merupakan salah satu tanaman buah yang telah banyak dikenal dan digunakan secara luas oleh masyarakat Indonesia. Untuk meningkatkan mutu produksi buah anggur yakni dengan cara menjaga tanaman tersebut dari penyakit yang diakibatkan oleh jamur serta mikroorganisme. Secara umum penyakit pada tanaman buah anggur mempunyai 4 (empat) jenis penyakit yakni hawar daun (leaf blight), tungau (mites), campak hitam (black measles), dan busuk hitam (black rot). Pada penelitian ini akan diusulkan menggunakan metode ekstraksi tekstur Gray Level Cooccurrence Matrix (GLCM) dan Neural Network untuk klasifikasi penyakit daun anggur. Dataset yang akan digunakan pada penelitian ini mengambil dari kaggle, di mana setiap kelas mempunyai dataset 80. Ada 4 (empat) kelas sebagai klasifikasi yang dilakukan yaitu daun sehat, campak hitam daun, hawar daun, dan busuk hitam daun. Metode yang digunakan dalam penelitian ini adalah jaringan syaraf tiruan backpropagation dengan menggunakan fitur tekstur. Menggunakan model jaringan syaraf tiruan backpropagation dari toolbox nprtool, input layer = 10, hidden layer 10, dan output layer 4, root mean square error = 0,0425. Jadi akurasi hasil pengujian adalah 92,5%
ARSITEKTUR ENSEMBLE U-NET UNTUK SEGMENTASI KANKER PAYUDARA OTOMATIS PADA GAMBAR MAMMOGRAM Sanjaya, Cahya Bagus; Lutfi, Moch.; Hakim, Lukman; Rosadi, Muhammad Imron
NJCA (Nusantara Journal of Computers and Its Applications) Vol 9, No 2 (2024): Edisi Desember 2024
Publisher : Computer Society of Nahdlatul Ulama (CSNU) Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36564/njca.v9i2.378

Abstract

Kanker payudara masih menjadi salah satu penyebab utama kematian akibat kanker pada wanita di seluruh dunia. Deteksi dini melalui skrining rutin menggunakan mammogram terbukti efektif dalam mengurangi angka kematian. Namun, interpretasi mammogram secara manual memerlukan waktu, bersifat subjektif, dan sering kali membutuhkan radiolog yang berpengalaman. Untuk mengatasi tantangan ini, penelitian ini mengusulkan arsitektur Ensemble U-Net untuk melakukan segmentasi kanker payudara secara otomatis pada citra mammogram. Proses segmentasi melibatkan beberapa langkah, termasuk praproses (penghapusan latar belakang, penghapusan otot pektoral, peningkatan kontras, dan pengubahan ukuran), dilanjutkan dengan segmentasi menggunakan ensemble model: Inception V3-U-Net, ResNet50-U-Net, VGG19-U-Net, dan U-Net kustom. Segmentasi akhir dicapai dengan menggunakan voting soft dan filter Gaussian 2D untuk mereduksi noise, diikuti dengan thresholding untuk segmentasi biner. Pendekatan ensemble menunjukkan peningkatan akurasi segmentasi dengan menggabungkan kekuatan dari beberapa model U-Net. Kinerja model dievaluasi menggunakan metrik seperti akurasi, sensitivitas, spesifisitas, koefisien Dice, dan Intersection over Union (IoU). Hasil eksperimen menunjukkan bahwa Ensemble U-Net memiliki kinerja yang lebih baik dibandingkan dengan model individu, terutama pada citra mammogram yang kompleks.
Co-Authors Abdillah, Achmad Sya'roni Ahwan, Zainul Aldi, Akhmad Anggy Jovano Daniel Oranova Siahaan Lukman Hakim Lutfi, Moch. M. Nufail Magfirah Putri, Yulia Moch. Lutfi Mufidah, Atik Hidayati Muhammad Fahmi Aziz Muhammad Imron Rosadi Muhammad Imron Rosadi Muhammad Sofyan Mukhamad Murtadho Riska Putri Anggraeni, May Tantri Ichtia Ningsih