Claim Missing Document
Check
Articles

Found 3 Documents
Search

Pengolahan Citra Digital Untuk Ekstraksi Fitur Pada Hybrid Model CNN-SVM Dalam Deteksi Penyakit Pneumonia Berbasis X-Ray Dada Muhammad Aulia Irza; Irvan
Hello World Jurnal Ilmu Komputer Vol. 5 No. 2 (2026): Edisi Juli 2026
Publisher : Ilmu Bersama Center

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

Abstract

Pneumonia merupakan salah satu penyakit infeksi paru-paru yang masih menjadi penyebab utama kematian, terutama pada anak-anak dan lansia. Deteksi dini dan akurat terhadap pneumonia sangat penting untuk mendukung pengambilan keputusan medis yang cepat dan tepat. Penelitian ini bertujuan untuk mengembangkan sistem deteksi pneumonia berbasis citra X-ray dada dengan pendekatan hybrid yang menggabungkan Convolutional Neural Network (CNN) sebagai ekstraktor fitur dan Support Vector Machine (SVM) sebagai algoritma klasifikasi. Dataset yang digunakan berasal dari Guangzhou Women and Children’s Medical Center, terdiri dari citra X-ray dada yang telah dikategorikan ke dalam dua kelas, yaitu “Normal” dan “Pneumonia”. Proses pra-pemrosesan dilakukan dengan normalisasi dan augmentasi citra. Ekstraksi fitur dilakukan menggunakan arsitektur CNN dengan lima blok konvolusional dan satu lapisan GlobalAveragePooling. Fitur yang dihasilkan dari proses ini kemudian diklasifikasikan menggunakan SVM dengan parameter terbaik yang diperoleh melalui GridSearch dan validasi silang Stratified K-Fold. Hasil pengujian menunjukkan bahwa model hybrid CNN-SVM mencapai akurasi sebesar 92.75% pada data pelatihan dan 81.57% pada data pengujian. Meskipun akurasi pada data validasi hanya 50%, hal ini disebabkan oleh jumlah data validasi yang sangat terbatas. Model menunjukkan sensitivitas tinggi terhadap kasus pneumonia, yang merupakan metrik penting dalam deteksi penyakit. Implementasi akhir dilakukan dengan mengintegrasikan model ke dalam aplikasi antarmuka sederhana berbasis Gradio untuk memudahkan pengguna melakukan deteksi secara mandiri. Penelitian ini menunjukkan bahwa pendekatan hybrid CNN-SVM efektif digunakan untuk deteksi pneumonia berbasis citra X-ray dada dan berpotensi dikembangkan lebih lanjut sebagai alat bantu diagnosis di bidang medis.
Implementasi Convolutional Neural Network Berbasis Word Embedding untuk Klasifikasi Pertanyaan Chatbot Rayhan Pratama; Irvan
Indonesian Journal of Multidisciplinary Scientific Studies Vol 4 No 6 (2026): Edisi Oktober - November 2026
Publisher : Lembaga Penelitian Dan Pengabdian Masyarakat (LPPM) STAI Raudhatul Akmal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33151/ijomss.v4i6.1142

Abstract

Chatbot merupakan sistem percakapan berbasis kecerdasan buatan yang mampu memberikan respons otomatis terhadap pertanyaan pengguna secara real-time. Penelitian ini mengimplementasikan metode Convolutional Neural Network (CNN) yang diintegrasikan dengan Word Embedding berbasis Word2Vec untuk mengklasifikasikan pertanyaan pada chatbot Nova AI yang dikembangkan khusus bagi mahasiswa Fakultas Ilmu Komputer dan Teknologi Informasi (FIKTI) Universitas Muhammadiyah Sumatera Utara (UMSU). Dataset terdiri dari 619 pertanyaan dalam bahasa Indonesia yang dikategorikan ke dalam enam kelas intent: dekan, dosen, fakultas, kaprodi, sapaan, dan UKT, dengan pembagian 495 data latih (79,97%) dan 124 data uji (20,03%). Pipeline praproses teks mencakup case folding, tokenisasi, representasi Word2Vec berdimensi 100, pengindeksan kata, dan padding dengan max_len=10. Arsitektur CNN yang dibangun terdiri atas lapisan Embedding, Conv1D (64 filter, kernel 3, ReLU), GlobalMaxPooling1D, Dense 64 unit ReLU, dan Dense output 6 unit Softmax. Model dilatih selama 20 epoch menggunakan optimizer Adam dengan learning rate 0,001 dan fungsi loss Sparse Categorical Crossentropy. Hasil evaluasi menunjukkan akurasi model sebesar 99,19%, dengan satu kesalahan klasifikasi pada intent kaprodi yang teridentifikasi sebagai dekan. Pengujian sistem Nova AI berbasis Streamlit menghasilkan tingkat keberhasilan 83,33% (25 dari 30 skenario pengujian). Penelitian ini membuktikan bahwa kombinasi CNN dan Word Embedding mampu mengklasifikasikan intent chatbot dengan akurasi tinggi dan dapat diimplementasikan dalam aplikasi nyata berbasis web.
Sistem Pakar Deteksi Dini Risiko Putus Sekolah pada Siswa SMK Menggunakan Metode Certainty Factor Amanda Meisyah Putri; Irvan
Indonesian Journal of Multidisciplinary Scientific Studies Vol 4 No 6 (2026): Edisi Oktober - November 2026
Publisher : Lembaga Penelitian Dan Pengabdian Masyarakat (LPPM) STAI Raudhatul Akmal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33151/ijomss.v4i6.1163

Abstract

Putus sekolah pada jenjang Sekolah Menengah Kejuruan (SMK) merupakan persoalan pendidikan multidimensional yang dipengaruhi oleh faktor akademik, ekonomi, dan sosial secara bersamaan, sementara identifikasi risiko yang masih dilakukan secara manual oleh guru Bimbingan dan Konseling (BK) cenderung subjektif dan sulit dilakukan secara menyeluruh karena keterbatasan jumlah guru BK dibandingkan jumlah siswa yang harus dipantau. Penelitian ini bertujuan merancang dan membangun sistem pakar berbasis web untuk mendeteksi dini risiko putus sekolah pada siswa SMK Muhammadiyah 9 Medan menggunakan metode Certainty Factor (CF), yang mengakomodasi ketidakpastian pengetahuan pakar melalui nilai Measure of Belief (MB) dan Measure of Disbelief (MD). Basis pengetahuan sistem disusun melalui wawancara dan validasi bersama guru BK sehingga diperoleh dua belas gejala risiko beserta nilai CF pakar, yang kemudian diproses menggunakan mekanisme inferensi forward chaining dan rumus CF Combine untuk menghasilkan tingkat keyakinan akhir terhadap tiga kategori risiko, yaitu rendah, sedang, dan tinggi. Sistem bernama SIPRIS (Sistem Informasi Prediksi Risiko Siswa) ini dikembangkan menggunakan PHP, basis data MySQL, dan antarmuka berbasis Bootstrap 5. Pengujian black-box terhadap enam modul utama menunjukkan seluruh fungsi berjalan sesuai rancangan, sedangkan validasi manual pada tiga data uji siswa menunjukkan kesesuaian penuh antara hasil sistem dan perhitungan pakar (Risiko Tinggi 85%, Risiko Sedang 65%, Risiko Rendah 35%). Pengujian confusion matrix pada 158 data siswa menghasilkan akurasi 100%, meskipun data uji masih didominasi kategori risiko rendah sehingga evaluasi pada kategori sedang dan tinggi masih terbatas dan perlu diperluas pada penelitian lanjutan. Hasil penelitian menunjukkan bahwa sistem pakar berbasis Certainty Factor dapat membantu pihak sekolah melakukan identifikasi dini risiko putus sekolah secara lebih sistematis, objektif, dan terukur.