Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal JSI: Jurnal Sistem Informasi (E-Journal) Jurnal Informatika Polinema (JIP)
Ignatius Wiseto Prasetyo Agung
Universitas Adhirajasa Reswara Sanjaya
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Library & Information Science Other

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
DETEKSI PENYAKIT TUBERKULOSIS MELALUI SEGMENTASI CITRA MENGGUNAKAN ALGORITMA K-MEANS Nanda Dwi Husna Sadikin; Nandi Dwi Husni Sadikin; Niki Marco; Sesilia Wati; Ignatius Wiseto Prasetyo Agung
Jurnal Sistem Informasi Vol 15, No 2 (2023)
Publisher : Universitas Sriwijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36706/jsi.v15i2.21902

Abstract

Tuberkulosis telah menjadi penyakit yang sangat berbahaya, penularan yang cepat dan mudah menjadi penyakit menular paling berbahaya di dunia saat ini. Deteksi bakteri mycobacterium tuberkulosis pun diperlukan untuk mempercepat diagnosis pasien, agar pasien dapat segera diobati dan penularan dapat dihentikan. Dalam penelitian ini, sebuah pendekatan segmentasi citra yang menggabungkan model warna LAB dan algoritma clustering K-Means diajukan untuk memisahkan dengan akurat area yang berisi bakteri tuberculosis dalam citra dari latar belakang. Pertama-tama, citra mikroskopis diubah ke dalam ruang warna LAB guna mengekstraksi komponen warna yang paling sensitif terhadap perbedaan intensitas dalam citra bakteri mycobacterium tuberculosis. Selanjutnya, melalui penerapan algoritma K-Means clustering, piksel-piksel citra dikelompokkan menjadi beberapa kelompok berdasarkan perbedaan intensitasnya. Hasil eksperimen menunjukkan bahwa pendekatan ini mampu mengisolasi area yang berisi bakteri mycobacterium tuberculosis dalam citra mikroskopis dengan akurasi dan efisiensi yang tinggi. Meskipun hasil akurasi yang tinggi didapatkan dengan cara diamati secara visual, penting untuk dicatat bahwa validasi akurasi segmentasi ini menjadi tantangan karena kurangnya cara yang objektif untuk memvalidasi keberadaan bakteri tuberkulosis dalam citra hasil. Namun, hasil penelitian ini memberikan indikasi yang kuat bahwa pendekatan segmentasi yang diusulkan ini memiliki potensi sebagai langkah awal dalam pengembangan sistem deteksi otomatis bakteri tuberculosis yang lebih canggih.
Optimasi K-NN dengan Bayes Search CV untuk Klasifikasi Kanker Payudara Toni Arifin; Ignatius Wiseto Prasetyo Agung; Ilham Rachmat Wibowo; Erfian Junianto
Jurnal Informatika Polinema Vol. 12 No. 3 (2026): Vol. 12 No. 3 (2026)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v12i3.9766

Abstract

Kanker payudara merupakan salah satu penyebab utama mortalitas global pada wanita dan menjadi tantangan serius dalam bidang kesehatan. Sifat penyakit yang heterogen menuntut adanya metode klasifikasi yang akurat dan andal guna mendukung proses diagnosis serta penentuan strategi terapi yang tepat. Penelitian ini bertujuan untuk mengoptimalkan kinerja algoritma K-Nearest Neighbors (KNN) melalui penerapan metode Bayes Search Cross Validation (CV) dalam meningkatkan akurasi klasifikasi berbasis data ekspresi gen messenger Ribonucleic Acid (mRNA). Metodologi penelitian meliputi proses pemodelan KNN yang diintegrasikan dengan optimasi hyperparameter menggunakan Bayes Search CV pada dataset Breast Cancer Gene Expression Profiles (METABRIC) yang terdiri dari 1.904 sampel dan 692 atribut, mencakup data ekspresi gen dan karakteristik klinis pasien. Tahapan penelitian mencakup pengolahan data awal, pembagian data latih dan uji, proses optimasi, serta evaluasi model menggunakan metrik akurasi. Hasil penelitian menunjukkan bahwa penerapan Bayes Search CV mampu meningkatkan akurasi klasifikasi secara signifikan menjadi 78,68%, dibandingkan dengan model dasar tanpa optimasi yang hanya mencapai 66,81%. Temuan ini mengindikasikan bahwa pemilihan hyperparameter yang optimal berkontribusi besar terhadap peningkatan performa model. Dengan demikian, dapat disimpulkan bahwa pendekatan optimasi berbasis Bayes Search CV efektif dalam meningkatkan kinerja algoritma KNN pada data genetik yang kompleks serta berpotensi mendukung pengembangan sistem pendukung keputusan klinis yang lebih akurat, personal, efisien, adaptif, dan relevan dalam mendukung implementasi Precision medicine pada diagnosis kanker payudara modern.
Co-Authors Erfian Junianto Ilham Rachmat Wibowo Nanda Dwi Husna Sadikin Nandi Dwi Husni Sadikin Niki Marco Sesilia Wati Toni Arifin