Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal bit-Tech Digital Transformation Technology (Digitech)
Slamet Cahyo Edy Sahputro
STMIK Komputama Majenang
Computer Science & IT Library & Information Science

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

Found 2 Documents
Search

 1 
Sistem Pakar Diagnosa Stunting pada Balita Berbasis Website Menggunakan Metode Forward Chaining dan Metode Waterfall Beny Riswanto; Willy Setiawan; Slamet Cahyo Edy Sahputro
Digital Transformation Technology Vol. 3 No. 2 (2023): Artikel Periode September 2023
Publisher : Information Technology and Science(ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/digitech.v3i2.2881

Abstract

Stunting pada balita merupakan masalah kesehatan yang sering terjadi di Indonesia yang dapat mempengaruhi pertumbuhan fisik dan mental anak. Oleh karena itu, dibutuhkan suatu sistem yang dapat membantu diagnosa stunting pada balita dengan cepat dan akurat. Penelitian ini bertujuan untuk mengembangkan sistem pakar diagnosa stunting pada balita berbasis website menggunakan metode forward chaining dan metode waterfall. Metode Forward chaining digunakan dalam proses inferensi untuk menghasilkan diagnosis, sedangkan metode waterfall digunakan untuk mengembangkan sistem secara bertahap dan terstruktur. Dalam pelaksanaan pengumpulan data dilakukan dengan cara observasi, wawancara, dan studi pustaka untuk memperoleh pengetahuan dari para ahli dan literatur terkait. Sistem pakar yang dikembangkan diharapkan dapat membantu orang tua dan tenaga kesehatan dalam mendiagnosis stunting pada balita dengan lebih mudah dan cepat. Dalam penelitian ini, berhasil dikembangkan sebuah sistem pakar diagnosa stunting pada balita berbasis website menggunakan metode forward chaining dan metode waterfall. Hasil pengujian blackbox menunjukkan bahwa sistem beroperasi dengan baik, sementara pengujian lighthouse menunjukkan bahwa sistem mencapai skor tinggi dalam performa, aksesibilitas, penerapan praktik terbaik pengembangan web, dan SEO. Selain itu, hasil pengujian akurasi sistem menunjukkan tingkat akurasi yang tinggi, dengan tingkat akurasi diagnosa stunting mencapai 98,96% dan diagnosa status gizi mencapai 98,10%. Temuan ini menunjukkan bahwa sistem pakar ini dapat menjadi alat yang efektif dalam mendiagnosis stunting pada balita dengan tingkat akurasi yang tinggi dan tingkat kesalahan diagnosis yang rendah. Hasil dari penelitian ini diharapkan dapat membantu mendeteksi stunting secara dini dan mengurangi kasus stunting pada balita.
An Analysis of the Effectiveness of KAN and CNN Algorithms for Human Facial Emotion Classification Beny Riswanto; Slamet Cahyo Edy Sahputro
bit-Tech Vol. 8 No. 1 (2025): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v8i1.2819

Abstract

Facial expression-based emotion recognition has various applications, including security, healthcare, human-computer interaction, and behavioral analysis. This study analyzes the effectiveness of the Kolmogorov Arnold Networks and Convolutional Neural Networks algorithms in classifying human facial expressions of emotion using the OSEMN. Experimental data were obtained from the FER-2013 dataset, which consists of 35,887 facial expression images categorized into seven primary emotions: happy, sad, angry, fearful, disgusted, surprised, and neutral. The CNN model was designed with four convolutional layers, while the KAN model used three convolutional layers and a B-spline-based approach to handle non-linear transformations. Evaluation was based on accuracy, precision, recall, F1-score, and computational efficiency. The results showed that CNN achieved higher accuracy but tended to overfit, particularly on emotion classes with imbalanced data distribution. On the other hand, KAN demonstrated more stable performance with lower computational resource consumption, making it more efficient for systems with limited power and memory. CNN was selected for its superior pattern recognition capability, while KAN was chosen due to its efficiency in resource-constrained environments. From the comparison, CNN performed better in detecting complex expressions, while KAN was more optimal in processing efficiency and classification stability. The choice of the most suitable algorithm depends on the specific needs of the system—whether prioritizing high accuracy (CNN) or computational efficiency (KAN). This study is expected to provide insights into the development of more adaptive and efficient deep learning-based emotion recognition systems for practical applications such as mobile devices, healthcare monitoring, and smart surveillance.
Co-Authors Beny Riswanto Willy Setiawan