Article Per Year (5 Year)
p-Index From 2021 - 2026
1.907
P-Index
This Author published in this journals
All Journal Teknovokasi : Jurnal Pengabdian Masyarakat Vokatek : Jurnal Pengabdian Masyarakat Information Technology Education Journal Journal of Embedded Systems, Security and Intelligent Systems Journal of Deep Learning, Computer Vision and Digital Image Processing Jurnal Pengabdian Masyarakat dan Riset Pendidikan Jurnal MediaTIK
Marwan Ramdhany Edy
Unknown Affiliation
Humanities Computer Science & IT Education Languange, Linguistic, Communication & Media Mathematics Social Sciences Other

Published : 13 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search
Journal : Information Technology Education Journal

 1 
Deteksi Emosi dari Ekspresi Wajah dengan Deep Learning Marwan Ramdhany Edy
Information Technology Education Journal Vol. 3, No. 2, Mei (2024)
Publisher : Jurusan Teknik Informatika dan Komputer

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

Abstract

Wajah adalah salah satu bagian penting dalam interaksi sosial manusia karena dapat mengekspresikan emosi dan niat seseorang. Penelitian ini mengarah pada pengenalan ekspresi wajah menggunakan Convolutional Neural Network (CNN) untuk memprediksi emosi seseorang secara real-time. Ekspresi wajah telah diklasifikasikan menjadi tujuh kategori berdasarkan penelitian oleh Ekman, termasuk senang, sedih, jijik, marah, terkejut, dan biasa saja. Model CNN yang dikembangkan menggunakan dataset gambar yang sudah dilabelkan untuk melakukan pembelajaran fitur dan klasifikasi ekspresi wajah. Selain itu, model ini diintegrasikan ke dalam sebuah sistem berbasis website video real-time untuk meningkatkan interaksi manusia-mesin. Penelitian ini memiliki potensi aplikasi yang luas dalam teknologi pengenalan wajah, pemahaman emosi, dan interaksi manusia dengan sistem komputer.
Analisis Sentimen Ekspresi Wajah : Pendekatan Deep Learning dan OpenCV dengan Python Muhammad Ilham Suherman; Risha Febrianti; Fauziah; Novita Nurhidayah; Fadila Husnul Khatimah; Marwan Ramdhany Edy
Information Technology Education Journal Vol. 3, No. 3, September (2024)
Publisher : Jurusan Teknik Informatika dan Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59562/intec.v3i3.5755

Abstract

Penelitian ini mengeksplorasi pendekatan Deep Learning dan OpenCV untuk mengembangkan sistem analisis sentimen ekspresi wajah menggunakan bahasa pemrograman Python. Ekspresi wajah merupakan bentuk komunikasi non-verbal yang penting dalam menggambarkan pikiran dan emosi seseorang. Dengan memanfaatkan teknologi Deep Learning dan OpenCV, penelitian ini bertujuan untuk memahami dan mengklasifikasikan emosi yang tersirat dalam ekspresi wajah dengan lebih akurat. Dataset gambar ekspresi wajah dikumpulkan dan digunakan untuk melatih model Deep Learning seperti Convolutional Neural Network (CNN) dan Deep Hybrid CNN (DHCNN). OpenCV dimanfaatkan untuk mendeteksi dan melacak wajah dalam gambar atau video. Hasil penelitian menunjukkan bahwa sistem yang dikembangkan dapat mengklasifikasikan ekspresi wajah seperti bahagia, sedih, marah, takut, dan terkejut dengan akurasi yang cukup baik. Evaluasi performa dan visualisasi hasil juga disajikan untuk memberikan wawasan tentang keakuratan dan keterbatasan sistem.
Peningkatan Restorasi Citra Dengan Metode Super Resolusi Menggunakan Teknik FSRCNN Andi Dio Nurul Awalia; Nurfaisa Riono; Abd Majid; Ainun Mardiah; Marwan Ramdhany Edy
Information Technology Education Journal Vol. 3, No. 3, September (2024)
Publisher : Jurusan Teknik Informatika dan Komputer

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

Abstract

Penggunaan metode Super Resolusi dengan teknik Fast Super-Resolution Convolutional Neural Network (FSRCNN) telah menjadi salah satu fokus utama dalam pengolahan citra untuk meningkatkan kualitas gambar. FSRCNN, sebagai metode berbasis deep learning, telah terbukti memberikan hasil yang menjanjikan pada tugas super-resolusi citra tunggal (SISR). Penelitian ini mengkaji penggunaan metode Super Resolusi dengan teknik FSRCNN dalam peningkatan kualitas citra. Selain itu, penelitian ini juga membahas landasan teori dari metode Super Resolusi dan teknik FSRCNN, implementasi praktisnya dalam pengolahan citra, serta evaluasi hasil yang diperoleh dari penerapan metode ini. Hasil penelitian menunjukkan bahwa FSRCNN mampu meningkatkan kualitas citra dengan mempertimbangkan berbagai aspek dalam proses super-resolusi.
Predicting Mental Health Disorders Using Machine Learning and Symptom-Based Behavioral Features Marwan Ramdhany Edy; Nur Fakhrunnisaa
Information Technology Education Journal Vol. 4, No. 1, February (2025)
Publisher : Jurusan Teknik Informatika dan Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59562/intec.v4i1.7156

Abstract

Mental health disorders, such as anxiety and depression, represent significant challenges in today's fast-paced world. Traditional methods of diagnosing and managing these conditions often fall short, leading to a growing interest in leveraging technology for better mental health outcomes. This paper explored the potential of using machine learning algorithms applied to psychological symptom data to enhance the prognosis of mental disorders. A dataset comprising 120 psychology patients with 17 essential symptoms used to diagnose Mania Bipolar Disorder, Depressive Bipolar Disorder, Major Depressive Disorder, and non-disordered participants was analyzed. The study evaluated the performance of various machine learning models, including RandomForestClassifier, ExtraTreesClassifier, XGBClassifier, LGBMClassifier, and CatBoostClassifier, using metrics such as precision and recall. ExtraTreesClassifier achieved the highest test accuracy of 0.8889, followed by RandomForestClassifier and LGBMClassifier with 0.8611, CatBoostClassifier with 0.8333, and XGBClassifier with 0.7222. Key predictors of mental health outcomes included "Mood_Swing_YES," "Optimism," and "Sexual_Activity." These findings suggest that integrating psychological symptom data with machine learning significantly improves the accuracy of mental health disorder prognosis, offering a promising avenue for more proactive and personalized mental health care. This research demonstrates the practical applicability of machine learning for personalized early detection and intervention in mental healthcare.
Co-Authors Abd Majid Ainun Mardiah Amanda Putri Andi Dio Nurul Awalia Andi Jaedil Bugdady Aqsa Mahmud Aswar Fadhil Dhanendra Fadila Husnul Khatimah Fauzan G Fauziah Fauziah Rahmasari Femmy Angreany Hidayat Nurwahid Ilham Daffa Maulana Indra Alfit Kurnia Prima Putra M, Wahyu Hidayat M. Aflah Ogi Daffa Muh Sahlan Syah Muh. Ihsan Zulfikar Muhammad Argya Yunansyah Muhammad Ilham Suherman Muhammad Januar Anshari Novita Nurhidayah Nur Aeni Rahman Nur Ainung Nur Fakhrunnisaa Nurfaisa Riono Nurfauziah Nurhidayat Nurrahmah Agusnaya Putri Nirmala Ria Sakinah Waji Risha Febrianti Salomo Benny Junian Sanatang Sul Fitriana Syahrul Syntha Dewi, Shabrina Yudha Nurfaiz