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 27 Documents
Search

 1   2   3 
Integrasi Efficient Channel Attention (ECA) pada DenseNet169 untuk Klasifikasi Multi-Kelas Citra X-ray Dada: Integration of Efficient Channel Attention (ECA) in DenseNet169 for Multi-Class Chest X-ray Classification Satira, Husna; Negara, Benny Sukma; Irsyad, Muhammad; Jasril, Jasril; Agustian, Surya
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 3 (2026): MALCOM July 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i3.2799

Abstract

Penyakit paru seperti pneumonia dan COVID-19 masih menjadi masalah kesehatan global yang memerlukan deteksi dini dan akurat. X-ray dada merupakan modalitas pencitraan yang umum digunakan, namun interpretasinya masih bergantung pada keahlian serta ketelitian radiolog. Penelitian ini bertujuan untuk mengevaluasi efektivitas integrasi Efficient Channel Attention (ECA) pada arsitektur DenseNet169 untuk klasifikasi multi-kelas pada citra X-ray dada. ECA dipilih karena merupakan mekanisme attention yang ringan serta mampu menangkap hubungan antarkanal fitur dengan kompleksitas parameter yang rendah. Dataset yang digunakan terdiri dari 5.228 citra yang terbagi ke dalam tiga kelas, yaitu COVID-19, pneumonia, dan normal. Penelitian ini membandingkan model DenseNet169 baseline dan DenseNet169 dengan ECA menggunakan parameter pelatihan yang sama untuk memastikan perbandingan yang adil. Evaluasi dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil menunjukkan bahwa model baseline memperoleh accuracy sebesar 96,75%, sedangkan model dengan ECA memperoleh 96,27%. Dengan demikian, integrasi ECA belum memberikan peningkatan performa yang signifikan dibandingkan dengan DenseNet169 pada dataset yang digunakan. Temuan ini menunjukkan bahwa efektivitas ECA dipengaruhi oleh karakteristik arsitektur model, strategi integrasi, serta karakteristik dataset, sehingga penerapan attention mechanism tidak selalu menghasilkan peningkatan performa secara langsung.
Penerapan Semi-Supervised Deep Learning dengan AdaMatch untuk Klasifikasi Penyakit Paru-paru pada Citra X-ray Dada: Application of Semi-Supervised Deep Learning with AdaMatch for Classification of Lung Disease on Chest X-ray Image Zalwana, Hilya; Negara, Benny Sukma; Irsyad, Muhammad; Sanjaya, Suwanto; Fikry, Muhammad
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 3 (2026): MALCOM July 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i3.2811

Abstract

Penyakit paru-paru, seperti Coronavirus Disease 2019 (COVID-19) dan pneumonia, masih menjadi tantangan kesehatan yang memerlukan diagnosis cepat dan akurat. Citra chest X-ray (CXR) banyak digunakan untuk mendukung diagnosis, namun interpretasinya masih bergantung pada radiolog dan ketersediaan data berlabel. Keterbatasan data berlabel menjadi kendala dalam pengembangan model deep learning berbasis supervised learning. Penelitian ini menerapkan pendekatan semi-supervised deep learning menggunakan AdaMatch dengan DenseNet-169 untuk klasifikasi multikelas citra CXR menjadi COVID-19, Pneumonia, dan Normal. Dataset publik Mendeley Data yang digunakan terdiri atas 5.228 citra CXR, dengan pembagian 70% data pelatihan, 10% validasi, dan 20% pengujian. Tiga skenario proporsi data berlabel, yaitu 5%, 10%, dan 20%, digunakan untuk mengevaluasi performa model. AdaMatch memanfaatkan data berlabel dan tidak berlabel melalui mekanisme adaptive thresholding, distribution alignment, dan consistency regularization. Hasil terbaik diperoleh pada skenario 20% data berlabel dengan akurasi 98,19%, sensitivitas 98,23%, dan F1-score 98,24%. Performa tersebut mendekati model supervised learning pembanding yang memperoleh akurasi 98,95%, sensitivitas 98,98%, dan F1-score 98,98%. Temuan ini menunjukkan bahwa AdaMatch merupakan pendekatan semi-supervised yang efektif untuk meningkatkan klasifikasi citra CXR pada kondisi keterbatasan data berlabel.
Analisis Sensitivitas Confidence Threshold pada Semi-Supervised FixMatch untuk Klasifikasi Multi-Kelas Citra Chest X-Ray Ahmad Kurniawan; Muhammad Irsyad; Benny Sukma Negara; Surya Agustian; Nazruddin Safaat H
TIN: Terapan Informatika Nusantara Vol 7 No 1 (2026): June 2026
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/tin.v7i1.10028

Abstract

Optimizing the confidence threshold in pseudo-labeling is a critical technical challenge in Semi-Supervised Learning (SSL) for multi-class medical image classification, since an overly strict threshold limits the utilization of unlabeled data, while an overly loose threshold introduces low-quality pseudo-labels into the training process. This study applies the FixMatch method with a DenseNet-169 architecture as the backbone to classify three lung disease classes COVID-19, Pneumonia, and Normal under conditions of highly limited labeled data. The dataset used is the Covid19, Pneumonia, and Normal Chest X-Ray Images dataset from Mendeley Data, comprising 5,218 images, split into 70% training, 10% validation, and 20% testing. The experiment was systematically designed using three proportions of labeled data (5%, 10%, 15%) and three confidence threshold values (τ = 0.90; 0.95; 0.99), resulting in nine experimental scenarios. The results show that τ = 0.95 with 15% labeled data achieved the best performance (accuracy 97.41%, F1-Score 97.49%, AUC 0.9963) because it balances pseudo-label selectivity with a sufficient effective data volume: at a low label ratio (5%), the limited volume of labeled data means the lower mask rate at τ = 0.95 is not adequately compensated, so τ = 0.99 performs slightly better; whereas at a high label ratio (15%), the selectivity of τ = 0.95 produces high-quality pseudo-labels with adequate volume, driving improved generalization. This study contributes an empirical analysis of confidence threshold sensitivity in FixMatch for multi-class CXR classification with limited labeled data. These findings reveal that the effectiveness of the confidence threshold is contextual to label availability, and determining the optimal threshold cannot be separated from the available labeled data ratio.
Evaluasi Keamanan Website Direktori Akademik Menggunakan NIST SP 800-115 Fito Nardian; Rahmad Abdillah; Benny Sukma Negara; Reski Mai Candra
Bulletin of Computer Science Research Vol. 6 No. 3 (2026): April 2026
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bulletincsr.v6i3.1044

Abstract

Evaluating the security of web-based academic information systems has become crucial as cyber threats in higher education environments increase. The track record of security incidents in information systems at UIN Sultan Syarif Kasim Riau has prompted an urgent need for preventative action; therefore, the website https://seminar-fst.uin-suska.ac.id, as an active academic service that stores sensitive data, requires a proactive evaluation. Testing used a black-box testing approach through four phases: planning, discovery, attack, and reporting. The results revealed a critical vulnerability in the form of SQL injection in URL parameters, which allows unauthorized database enumeration (MariaDB), thus threatening data confidentiality and integrity. Additionally, medium-level vulnerabilities were discovered, such as the use of an outdated JavaScript library (Moment.js 2.8.1) and misconfiguration of HTTP security headers, including the absence of a Content Security Policy (CSP) and an Anti-CSRF mechanism. Recommendations include prepared statements, strict input validation, updating dependencies, and strengthening security configurations.
Penerapan Squeeze-and-Excitation Attention pada DenseNet169 untuk Klasifikasi Multi-Kelas Citra X-Ray Dada: Squeeze-and-Excitation Attention on DenseNet169 for Multi-Class Classification of Chest X-Ray Images Daulay, Lyra Zulyanda; Negara, Benny Sukma; Vitriani, Yelfi; Iskandar, Iwan; Kurnia, Fitra
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 2 (2026): MALCOM April 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i2.2665

Abstract

Citra X-ray dada (CXR) ialah satu dari metode pencitraan medis yang banyak diterapkan guna mendeteksi banyak penyakit paru diantaranya COVID-19 serta pneumonia. Meskipun model deep learning yang basisnya Convolutional Neural Network (CNN) sudah banyak diterapkan untuk klasifikasi citra medis, model CNN konvensional masih memiliki keterbatasan dalam menyoroti fitur penting pada citra yang memiliki kompleksitas tinggi serta kemiripan pola antar kelas penyakit. Kondisi tersebut dapat menyebabkan model kesulitan dalam mengekstraksi fitur yang paling relevan untuk proses klasifikasi. Oleh sebab itu, penelitian mengusulkan penerapan attention mechanism berupa modul Squeeze-and-Excitation (SE) pada arsitektur DenseNet169 guna meningkatkan kemampuan model dalam menekankan fitur penting dari CXR. Kontribusi utama penelitian ini adalah menganalisis pengaruh mekanisme attention terhadap peningkatan kualitas ekstraksi fitur pada klasifikasi multi-kelas citra CXR. Dataset diterapkan pada penelitian ini terdiri dari 3.000 citra yang diklasifikasikan kedalam tiga kelas yakni Normal, COVID-19, serta Pneumonia dengan pembagian data sebesar 80% untuk pelatihan dan 20% untuk validasi. Pelatihan model menggunakan optimizer Adam. Evaluasi model menggunakan confusion matrix dengan accuracy, precision, recall, dan F1 score. Temuan eksperimen mengindikasi bahwasanya model DenseNet169 baseline memperoleh akurasi senilai 95,8%, sedangkan model DenseNet169 dengan modul SE mencapai akurasi 96,5%. Temuan ini menegaskan bahwa SE meningkatkan representasi fitur sehingga performa klasifikasi lebih optimal.
Penggunaan Dual Attention Network pada DenseNet-169 untuk Klasifikasi Multi-kelas Citra X-Ray Dada Azizah Tasykira Paramitha El Razi; Benny Sukma Negara; Muhammad Irsyad; Suwanto Sanjaya; Siti Ramadhani
Jurnal Pengembangan Teknologi Informasi dan Komunikasi (JUPTIK) Vol. 4 No. 1 (2026): JURNAL PENGEMBANGAN TEKNOLOGI INFORMASI DAN KOMUNIAKSI (JUPTIK)
Publisher : Universitas Muhammadiyah Muara Bungo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52060/juptik.v4i1.4333

Abstract

Klasifikasi multi-kelas citra X-ray dada menjadi salah satu pendekatan yang dapat membantu membedakan kondisi COVID-19, normal, dan pneumonia secara otomatis. Namun, kemiripan karakteristik visual antar kelas dapat menyebabkan model kesulitan dalam mengekstraksi fitur yang relevan. Penelitian ini mengintegrasikan Dual Attention Network (DANet) pada DenseNet-169 untuk meningkatkan representasi fitur melalui kombinasi Grouped Channel Attention Module dan Strip Spatial Attention Module. Dataset yang digunakan terdiri atas 5.228 citra X-ray dada yang dibagi menjadi data latih dan data uji dengan rasio 80:20. Model DenseNet-169 baseline dan DenseNet-169 dengan DANet dievaluasi menggunakan akurasi, presisi, recall, F1-score, sensitivitas, spesifisitas, ROC-AUC, confusion matrix, dan Grad-CAM. Hasil pengujian menunjukkan bahwa DenseNet-169 dengan DANet memperoleh akurasi 98,47%, presisi 98,55%, recall 98,50%, F1-score 98,50%, sensitivitas 98,50%, dan spesifisitas 99,22%. Nilai ROC-AUC yang diperoleh pada kelas COVID-19, normal, dan pneumonia masing-masing sebesar 0,9994, 0,9989, dan 0,9980. Hasil tersebut menunjukkan bahwa DenseNet-169 dengan DANet memiliki kemampuan klasifikasi dan diskriminasi yang baik pada ketiga kelas. Visualisasi Grad-CAM menunjukkan bahwa DANet membantu model menghasilkan perhatian yang lebih terarah.
Analisis Penerapan Flexmatch Pada Semi-Supervised Deep Learning Untuk Deteksi Penyakit Paru-Paru Berbasis Citra Chest X-Ray M. Aufaa Rahman; Benny Sukma Negara; Muhammad Irsyad; Lestari Handayani; Iis Afrianty
Jurnal Pengembangan Teknologi Informasi dan Komunikasi (JUPTIK) Vol. 4 No. 1 (2026): JURNAL PENGEMBANGAN TEKNOLOGI INFORMASI DAN KOMUNIAKSI (JUPTIK)
Publisher : Universitas Muhammadiyah Muara Bungo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52060/juptik.v4i1.4439

Abstract

Penyakit paru-paru seperti COVID-19 dan Pneumonia merupakan penyebab utama morbiditas dan mortalitas di dunia, sehingga diperlukan metode deteksi dini yang akurat dan efisien. Penelitian ini bertujuan menganalisis penerapan FlexMatch pada skema Semi-Supervised Deep Learning untuk klasifikasi penyakit paru-paru berbasis citra Chest X-ray (CXR), dengan memanfaatkan data berlabel dan tidak berlabel melalui mekanisme Curriculum Pseudo Labeling dan class-adaptive thresholding, serta DenseNet-169 sebagai ekstraktor fitur utama. Dataset yang digunakan terdiri dari 3.000 citra CXR yang mencakup tiga kelas, yaitu COVID-19, pneumonia, dan normal. Tahapan penelitian meliputi preprocessing data, augmentasi citra, pembagian data, pelatihan model, serta evaluasi menggunakan accuracy, precision, recall, F1-score, dan Grad-CAM. Hasil penelitian menunjukkan bahwa model mencapai akurasi validasi sebesar 96,65% dengan F1-score masing-masing sebesar 99,02% untuk COVID-19, 95,74% untuk Normal, dan 94,48% untuk Pneumonia. Visualisasi Grad-CAM membuktikan bahwa model mampu memfokuskan perhatian pada area paru yang relevan secara klinis, sehingga FlexMatch terbukti efektif meningkatkan performa klasifikasi pada kondisi data berlabel terbatas dan berpotensi mendukung sistem diagnosis penyakit paru-paru berbasis kecerdasan buatan.  
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