Article Per Year (5 Year)
p-Index From 2021 - 2026
3.428
P-Index
This Author published in this journals
All Journal CESS (Journal of Computer Engineering, System and Science) Jurnal CoreIT JIEET (Journal of Information Engineering and Educational Technology) Seminar Nasional Teknologi Informasi Komunikasi dan Industri Jurnal Nasional Komputasi dan Teknologi Informasi Digital Zone: Jurnal Teknologi Informasi dan Komunikasi JOURNAL OF INFORMATION SYSTEM MANAGEMENT (JOISM) Jurnal Sistem Komputer dan Informatika (JSON) TIN: TERAPAN INFORMATIKA NUSANTARA Bulletin of Computer Science Research Knowbase : International Journal of Knowledge in Database Malcom: Indonesian Journal of Machine Learning and Computer Science Journal Of Artificial Intelligence And Software Engineering Jurnal Pengembangan Teknologi Informasi dan Komunikasi (JUPTIK)
Negara, Benny Sukma
UNIVERSITAS ISLAM NEGERI SULTAN SYARIF KASIM RIAU
Aerospace Engineering Arts Automotive Engineering Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Earth & Planetary Sciences Economics, Econometrics & Finance Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Immunology & microbiology Industrial & Manufacturing Engineering Law, Crime, Criminology & Criminal Justice Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Medicine & Pharmacology Neuroscience Nursing Physics Social Sciences Transportation Veterinary Other

Published : 27 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search
Journal : journal of artificial intelligence and software engineering

 1 
Applying Local Interpretable Model-agnostic Explanations (LIME) for Interpretable Deep Learning in Lung Disease Detection Ananda, Sherly; Negara, Benny Sukma; Irsyad, Muhammad; Jasril, Jasril; Iskandar, Iwan
Journal of Artificial Intelligence and Software Engineering Vol 5, No 2 (2025): Juni On-Progress
Publisher : Politeknik Negeri Lhokseumawe

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30811/jaise.v5i2.7042

Abstract

Artificial Intelligence (AI) semakin banyak diterapkan dalam bidang kesehatan melalui model Machine Learning (ML) dan Deep Learning (DL). Namun, kompleksitas model modern yang bersifat black-box menimbulkan kebutuhan akan metode interpretasi yang transparan. Explainable AI (XAI) hadir untuk menjembatani hal tersebut, dengan memberikan pemahaman yang lebih baik terhadap kinerja model. Penelitian ini mengimplementasikan metode Local Interpretable Model-agnostic Explanations (LIME) untuk memvisualisasikan hasil klasifikasi model DL berbasis arsitektur ResNet18 terhadap citra Chest X-ray (CXR) pada tiga kelas: normal, COVID-19, dan pneumonia. Model mencapai precision, recall, dan F1-score rata-rata sebesar 97%, serta Accuracy sebesar 98%. Visualisasi LIME menunjukkan area citra yang berkontribusi signifikan terhadap klasifikasi, serta mampu membedakan ketiga kelas dengan baik. Hasil ini mendukung penggunaan XAI untuk meningkatkan interpretabilitas model DL dalam diagnosis medis.
Interpreting Lung Disease Detection from Chest X-rays Using Layer-wise Relevance Propagation (LRP) Fauziyyah, Laila Nurul; Negara, Benny Sukma; Irsyad, Muhammad; Iskandar, Iwan; Yanto, Febi
Journal of Artificial Intelligence and Software Engineering Vol 5, No 2 (2025): June
Publisher : Politeknik Negeri Lhokseumawe

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30811/jaise.v5i2.7043

Abstract

Penelitian ini mengusulkan pendekatan klasifikasi penyakit paru berbasis citra X-ray menggunakan arsitektur VGG16 yang dilengkapi metode interpretabilitas Layer-wise Relevance Propagation (LRP). Dataset terdiri dari tiga kelas: COVID-19, pneumonia, dan normal, yang diproses melalui augmentasi dan normalisasi. Model dilatih dengan rasio data 70:30, learning rate 0.001, batch size 32, dan optimizer Adam. Hasil pelatihan menunjukkan akurasi tinggi sebesar 96,78% dengan nilai precision, recall, dan F1-score yang seimbang. Metode LRP digunakan untuk menyoroti area penting pada citra yang berkontribusi terhadap prediksi model, sehingga meningkatkan transparansi keputusan. Kontribusi utama penelitian ini adalah integrasi VGG16 dengan LRP dalam klasifikasi multi-kelas citra X-ray, yang memberikan hasil akurat sekaligus interpretasi visual yang mendukung kepercayaan dalam aplikasi medis.
Application of Shapley Additive Explanations (SHAP) in Deep Learning for Lung Disease Detection Using X-ray Images Muliani, Sarifah; Negara, Benny Sukma; Irsyad, Muhammad; Jasril, Jasril; Iskandar, Iwan
Journal of Artificial Intelligence and Software Engineering Vol 5, No 2 (2025): June
Publisher : Politeknik Negeri Lhokseumawe

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30811/jaise.v5i2.7044

Abstract

Pemeriksaan menggunakan citra x-ray merupakan metode yang efektif dalam membantu deteksi penyakit paru-paru, seperti COVID-19, dan pneumonia. Seiring dengan perkembangan teknologi yang meningkat, proses diagnosis kini dapat dilakukan secara lebih akurat dengan memanfaatkan sistem berbasis kecerdasan buatan. Salah satu metode yang banyak digunakan adalah deep learning namun metode ini bersifat black-box, sehingga hasil prediksi sulit dipahami dengan alasan dibalik keputusan model. Tujuan penelitian ini adalah untuk membangun sistem klasifikasi citra x-ray menggunakan model deep learning berbasis Convolutional Neural Network (CNN) dengan arsitektur VGG-16, serta menerapkan metode Shapley Additive Explanations (SHAP) untuk memberikan penjelasan mengenai visual terkait area citra yang mempengaruhi hasil prediksi. Model dilatih menggunakan beberapa konfigurasi, dan hasil terbaik diperoleh pada rasio data 80% : 20%, learning rate 0.001, batch size 32, dan 50 epoch. Hasil penelitian menunjukkan bahwa model mampu mencapai akurasi sebesar 95,75% pada data training dan 96,00% pada data validasi. Metode SHAP digunakan untuk meningkatkan pemahaman terhadap hasil prediksi. Hasil menunjukkan bahwa kombinasi deep learning dan SHAP mampu memberikan penjelasan visual terhadap hasil prediksi model.
Lung Disease Detection Using Gradient-Weighted Class Activation Mapping (Grad-CAM) Sofiyah, Wan; Negara, Benny Sukma; Irsyad, Muhammad; Iskandar, Iwan; Yanto, Febi
Journal of Artificial Intelligence and Software Engineering Vol 5, No 2 (2025): June
Publisher : Politeknik Negeri Lhokseumawe

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30811/jaise.v5i2.7041

Abstract

Early detection of respiratory diseases such as Coronavirus Disease-19 (Covid-19) and Pneumonia is crucial for accelerating treatment and preventing more serious complications. This study proposes a method for classifying Chest X-ray (CXR) images using a Convolutional Neural Network (CNN) to distinguish between Covid-19, Pneumonia, and normal lungs. Model training involved exploring various hyperparameter combinations to find the optimal configuration. The best results were achieved with a learning rate of 0.001, 50 epochs, and a batch size of 32, yielding an accuracy of 96.33%. Evaluation was conducted using accuracy, precision, recall, F1-score, and confusion matrix metrics. This study uses Gradient-Weighted Class Activation Mapping (Grad-CAM) as a transparent interpretation tool for model decisions. The main contribution of this study is the application of Grad-CAM in multi-class CXR classification to enhance model interpretability in lung disease diagnosis.
Co-Authors Ahmad Kurniawan Ananda, Sherly Annisa Putri Azizah Tasykira Paramitha El Razi Baehaqi Daulay, Lyra Zulyanda Deswina Ertawirisa Fadhilah Syafria Fahrurrozi Harahap Fauziyyah, Laila Nurul Febi Yanto Fito Nardian Fitra Lestari Fitri Insani Helviansyah, Try Ihsan, Miftahul Iis Afrianty Inggih Permana Ismar Puadi Iwan Iskandar Jasril Jasril Khairul Umam kurnia, fitra Lestari Handayani M. Aufaa Rahman Muhammad Affandes Muhammad Fikry Muhammad Irsyad Muhammad Irsyad Muhammad Irsyad Muliani, Sarifah Nazruddin Safaat H Nazruddin Safaat H Rahmad Abdillah Rahmad Kurniawan Ramadhani Ramadhani Reski Mai Candra Riyan Wibowo Saputra Satira, Husna Shahira, Fayza Siti Ramadahani Siti Ramadhani Sofiyah, Wan Surya Agustian Suwanto Sanjaya Trya Ayu Pratiwi Vitriani, Yelfi Wahyu Reinaldy Yusra Yusra Zalwana, Hilya