Article Per Year (5 Year)
p-Index From 2020 - 2025
0.61
P-Index
This Author published in this journals
All Journal Jurnal Eksplora Informatika Jurnal Teknik Informatika (JUTIF)
Seneng, I Kadek
Unknown Affiliation
Computer Science & IT

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Studi Pembanding Edge Detection Metode Sobel dan Prewitt pada Citra Rontgen Menggunakan Software Matlab Seneng, I Kadek; Adnyana, I Made Budi; Putra, I Made Agus Wirahadi; Suwirmayanti, Ni Luh Gede Pivin
Jurnal Eksplora Informatika Vol 13 No 2 (2024): Jurnal Eksplora Informatika
Publisher : Institut Teknologi dan Bisnis STIKOM Bali

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30864/eksplora.v13i2.1033

Abstract

Edge detection merupakan sebuah proses mendeteksi garis tepi yang membatasi dua wilayah, deteksi tepi banyak diterapkan pada bidang medis yang bertujuan untuk memudahkan analisis. Menentukan metode deteksi tepi citra tidak bisa hanya dilihat secara langsung, maka perlu adanya analisis penentuan metode. Pada penelitian ini menggunakan citra rontgen tulang rusuk, dan citra rontgen jari-jari tangan, pada penelitian ini dilakukan tahap perbaikan citra noise reduction, kemudian konversi citra menjadi grayscale, kemudian deteksi tepi metode Sobel dan Prewitt, kemudian proses binerisasi dan perbandingan menggunakan tiga parameter perbandingan MSE, PSNR dan nnz. Semakin besar nilai MSE menunjukkan perbedaan besar antara citra awal dengan citra hasil, semakin besar nilai PSNR menunjukkan semakin besar kualitas dari gambar yang dihasilkan. Fungsi nnz (number of nonzero entries) semakin banyak piksel warna putih maka semakin banyak juga tepi yang diperoleh. Berdasarkan hasil penelitian yang telah dilakukan, maka diperoleh kesimpulan, pada citra rontgen tulang rusuk metode sobel menghasil nilai lebih baik berdasarkan hasil yang diperoleh pada masing-masing parameter penguji MSE= 4.610,7, PSNR= 11.493,2 dB, nnz= 10.752. Pada citra rontgen jari-jari tangan metode prewitt menghasilkan nilai lebih baik berdasarkan hasil yang diproleh MSE= 1.188,8, PSNR= 17.379,9 dB, nnz= 6.948.
Comparative Analysis of Augmentation and Filtering Methods in VGG19 and DenseNet121 for Breast Cancer Classification Seneng, I Kadek; Ayu, Putu Desiana Wulaning; Huizen, Roy Rudolf
Jurnal Teknik Informatika (Jutif) Vol. 6 No. 3 (2025): JUTIF Volume 6, Number 3, Juni 2025
Publisher : Informatika, Universitas Jenderal Soedirman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jutif.2025.6.3.4397

Abstract

Breast cancer is one of the most prevalent malignancies and a leading cause of mortality among women worldwide. Mammography plays a crucial role in early detection, yet challenges in manual interpretation have led to the adoption of Convolutional Neural Networks (CNNs) to improve classification accuracy. This study evaluates the performance of Visual Geometry Group (VGG19) and Densely Connected Convolutional Networks (DenseNet121) in mammogram classification. It examines the impact of data augmentation and image enhancement techniques, including Contrast-Limited Adaptive Histogram Equalization (CLAHE), Median Filtering, and Discrete Wavelet Transform (DWT), as well as the influence of varying epochs and learning rates. A novel approach is introduced by assessing data augmentation effectiveness and exploring model adaptations, such as layer incorporation and freezing during training. Classification performance is enhanced through fine-tuning strategies combined with image enhancement techniques, reducing reliance on data augmentation. These findings contribute to medical imaging and computer science by demonstrating how CNN modifications and enhancement methods improve mammogram classification, providing insights for developing robust deep learning-based diagnostic models. The highest performance was achieved using VGG19 with DWT, a learning rate of 0.0001, and 20 epochs, yielding 98.04% accuracy, 98.11% precision, 98% recall, and a 97.99% F1-score. Data augmentation did not consistently enhance results, particularly in clean datasets. Increasing epochs from 10 to 20 improved accuracy, but performance declined at 30 epochs. The confusion matrix showed high accuracy for Benign (100%) and Cancer (99.5%), with more misclassifications in the Normal class (94.5%).
Studi Pembanding Edge Detection Metode Sobel dan Prewitt pada Citra Rontgen Menggunakan Software Matlab Seneng, I Kadek; Adnyana, I Made Budi; Putra, I Made Agus Wirahadi; Suwirmayanti, Ni Luh Gede Pivin
Eksplora Informatika Vol 13 No 2 (2024): Jurnal Eksplora Informatika
Publisher : Institut Teknologi dan Bisnis STIKOM Bali

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30864/eksplora.v13i2.1033

Abstract

Edge detection merupakan sebuah proses mendeteksi garis tepi yang membatasi dua wilayah, deteksi tepi banyak diterapkan pada bidang medis yang bertujuan untuk memudahkan analisis. Menentukan metode deteksi tepi citra tidak bisa hanya dilihat secara langsung, maka perlu adanya analisis penentuan metode. Pada penelitian ini menggunakan citra rontgen tulang rusuk, dan citra rontgen jari-jari tangan, pada penelitian ini dilakukan tahap perbaikan citra noise reduction, kemudian konversi citra menjadi grayscale, kemudian deteksi tepi metode Sobel dan Prewitt, kemudian proses binerisasi dan perbandingan menggunakan tiga parameter perbandingan MSE, PSNR dan nnz. Semakin besar nilai MSE menunjukkan perbedaan besar antara citra awal dengan citra hasil, semakin besar nilai PSNR menunjukkan semakin besar kualitas dari gambar yang dihasilkan. Fungsi nnz (number of nonzero entries) semakin banyak piksel warna putih maka semakin banyak juga tepi yang diperoleh. Berdasarkan hasil penelitian yang telah dilakukan, maka diperoleh kesimpulan, pada citra rontgen tulang rusuk metode sobel menghasil nilai lebih baik berdasarkan hasil yang diperoleh pada masing-masing parameter penguji MSE= 4.610,7, PSNR= 11.493,2 dB, nnz= 10.752. Pada citra rontgen jari-jari tangan metode prewitt menghasilkan nilai lebih baik berdasarkan hasil yang diproleh MSE= 1.188,8, PSNR= 17.379,9 dB, nnz= 6.948.
Co-Authors I Made Budi Adnyana, I Made Budi Ni Luh Gede Pivin Suwirmayanti, S.Kom, MT, Ni Luh Gede Pivin Putra, I Made Agus Wirahadi Putu Desiana Wulaning Ayu Roy Rudolf Huizen