Article Per Year (5 Year)
p-Index From 2020 - 2025
1.244
P-Index
This Author published in this journals
All Journal Journal of Electronics, Electromedical Engineering, and Medical Informatics eProceedings of Engineering
Sa’idah, Sofia
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering

Published : 7 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 7 Documents
Search

 1 
Unlocking Early Detection and Intervention Potential: Analyzing Visual Evoked Potentials (VEPs) in Adolescents/Teenagers with Narcotics Abuse Tendencies from the TelUnisba Neuropsychology EEG Dataset (TUNDA) Wijayanto, Inung; Sulistyo, Tobias Mikha; Nur Pratama, Yohanes Juan; Safitri, Ayu Sekar; Rahmaniar, Thalita Dewi; Sa’idah, Sofia; Hadiyoso, Sugondo; Wibowo, Raiyan Adi; Kurnia Ismanto, Rima Ananda; Putri, Athaliqa Ananda; Khasanah, Andhita Nurul; Diliana, Faizza Haya; Azzahra, Salwa; Gadama, Melsan; Utami, Ayu Tuty
Journal of Electronics, Electromedical Engineering, and Medical Informatics Vol 6 No 4 (2024): October
Publisher : Department of Electromedical Engineering, POLTEKKES KEMENKES SURABAYA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35882/jeeemi.v6i4.476

Abstract

Narcotics abuse has extensive negative impacts on individuals, families, and society, including physical harm to organs and mental health disorders. Addressing teenage narcotics problems requires collaborative efforts involving educational institutions, families, and psychologists. Currently, narcotics has increasingly targeted teenagers, becoming a serious issue that demands special attention in prevention and treatment. Handling narcotic problems at the adolescent level necessitates close collaboration among educational institutions, families, and the community, including psychologists. Emphasizing the importance of early detection and prevention, this study proposes a method to detect the possibility of narcotic abuse in adolescents using the Go/No-Go Association Task (GNAT) test designed by psychologists. The study introduced the TelUnisba Neuropsychology EEG Dataset (TUNDA), an open EEG dataset with data on the emotional and habitual aspects of drug abuse in Indonesia, classified into "normal" and "risk" by psychologists. The processed EEG signal is the visual evoked potential (VEP) within 1000 milliseconds following the visual stimulus onset. The data is classified as “slow” and “fast” based on respondent's responses using MobileNetV2 architecture. Results showed MobileNetV2 achieved the highest accuracy for both normal and risk categories, with accuracies of 0.86 and 0.85 respectively. This study obtained ethical clearance and received funding support from Telkom University and Universitas Islam Bandung, with technical assistance from the Smart Data Sensing Laboratory. The authors declare no conflicts of interest related to this study.
Analisis Performansi NRM-VNE dan VNE-MGA pada Virtual Network Embedding Putra, Yusuf Azarya Eka; Irawan, Arif Indra; Sa’idah, Sofia
eProceedings of Engineering Vol. 11 No. 6 (2024): Desember 2024
Publisher : eProceedings of Engineering

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

Abstract

Di kehidupan kita sehari-hari, penggunaan internet menjadi bagian yang tidak dapat dipisahkan dari kebutuhan zaman modern yang akan melibatkan lebih banyak elemen jaringan dan end-users, volume traffic yang lebih besar dan fitur yang lebih beragam. Untuk memenuhi kebutuhan demand ini maka Network Virtualization (NV) muncul sebagai jawaban namun diikuti juga dengan permasalahan Virtual Network Embedding (VNE) yang memiliki tujuan utama untuk mencapai efektifitas dan efisiensi dalam sebuah jaringan virtual. Penelitian ini ingin melakukan perbandingan performa antara dua algoritma Virtual Network Embedding (VNE) yaitu metode NRM-VNE dan VNE MGA melalui tiga nilai metriks evaluasi yaitu long-term average revenue, acceptance ratio dan revenue to cost. Metode NRM-VNE menggunakan algoritma Node Ranking Metrics (NRM) dimana algoritma ini menghitung nilai ranking untuk semua node dan link virtual yg kemudian diurutkan sesuai dengan ranking tertinggi sedangkan metode VNE-MGA menggunakan algoritma modifikasi genetika yang melalui beberapa operasi tertentu untuk mencapai solusi yang optimal. Dari hasil simulasi yang telah dilakukan didapatkan bahwa metode VNE-MGA memiliki performa yang lebih baik dibandingkan dengan metode NRM-VNE di tiga metriks evaluasi namun metode NRM-VNE lebih baik dari aspek total time cost yang dibutuhkan untuk menjalankan simulasi. Hal ini terjadi karena metode NRM-VNE melakukan pemusatan kinerja pada node dan link dengan ranking tertinggi di jaringan substrat sehingga mempengaruhi nilai metriks evaluasi yang didapatkan sedangkan metode VNE-MGA melakukan operasi pengecekan untuk menilai apakah pemerataan kinerja telah mencapai nilai optimal di setiap node dan link sehingga ini membuat nilai metriks evaluasi jadi lebih baik dibandingkan metode sebelumnya.Kata kunci— Metriks Evaluasi, Network Virtualization (NV), NRM-VNE, Virtual Network Embedding (VNE), VNE-MGA.
Deteksi Pulpitis Menggunakan MFCC dan CNN1D Dalam Lingkup Penggunaan Flask Sebagai Backend Hermina, Nanda Putri; Sa’idah, Sofia; Hidayat, Bambang
eProceedings of Engineering Vol. 11 No. 6 (2024): Desember 2024
Publisher : eProceedings of Engineering

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

Abstract

Pulpitis adalah peradangan pada jaringan pulpa gigi yang dapat disebabkan oleh berbagai faktor seperti infeksi bakteri, trauma pada gigi, atau kerusakan gigi. Sakit gigi bisa sangat mengganggu aktivitas seseorang. Ketika seseorang mengalami sakit gigi mereka mungkin sulit untuk berkonsentrasi, berbicara atau bahkan makan dengan nyaman. Sebelum terjadi kerusakan gigi yang lebih parah maka kami membuat alat yang dapat mendeteksi pulpitis dengan biaya yang terjangkau dan realtime yaitu deteksi pulpitis menggunakan sinyal suara dengan algoritma machine learning dengan ekstraksi MFCC dan CNN 1D. Model ini dapat mendeteksi gigi yang sehat maupun gigi yang mengalami pulpitis dengan akurasi 92%. Kata kunci— Backend, CNN, Machine learning, MFCC, Pulpitis, Website.
Deteksi Pulpitis Menggunakan Machine Learning Convolutional Neural Network Berbasis CNN1D dan MFCC Wibisono, Adrian; Sa’idah, Sofia; Oscandar, Fahmi
eProceedings of Engineering Vol. 11 No. 6 (2024): Desember 2024
Publisher : eProceedings of Engineering

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

Abstract

Tulisan ini membahas isu krusial dalam upaya menjaga kesehatan gigi masyarakat, khususnya yang berkaitan dengan pulpitis, sebuah kondisi peradangan pada pulpa gigi yang dapat dipengaruhi oleh beberapa variable seperti infeksi bakteri, trauma, atau kerusakan gigi. Penulis memperkenalkan sebuah solusi inovatif untuk mendeteksi dan membedakan gigi yang terkena pulpitis dari gigi yang sehat. Solusi ini diharapkan dapat membantu dokter gigi dalam proses diagnosis dan perawatan pulpitis agar lebih efektif dan juga efisien. Untuk mencapai tujuan tersebut, penulis mengembangkan sebuah sistem berbasis pembelajaran mesin yang menggunakan deteksi pulpitis melalui analisis sinyal audio. Dalam penelitian ini, model Convolutional Neural Network 1D (CNN1D) digunakan bersama dengan proses ekstraksi fitur Mel-Frequency Cepstral Coefficients (MFCC). Model CNN1D dioptimalkan menggunakan optimizer Adam dengan tingkat pembelajaran sebesar 0.001, ukuran batch 32, dan proporsi data uji sebesar 20%. Evaluasi model dilakukan dengan confusion matrix untuk menganalisis akurasi prediksi berdasarkan sinyal audio. Metode pembelajaran mesin yang diusulkan ini menunjukkan potensi besar dalam membantu tenaga kesehatan, terutama dokter gigi, untuk mendiagnosis pulpitis dengan tingkat akurasi yang tinggi, sehingga dapat meningkatkan kualitas perawatan dan hasil pengobatan bagi pasien. Kata kunci—CNN1D, Confusion matrix, Data, Ekstraksi ciri, Gigi, Machine learning, MFCC, Pulpitis.
LTE Network Optimization on Telkom University Area Prasetiyo, Hairullah; Setiawan, Dhoni Putra; Sa’idah, Sofia
eProceedings of Engineering Vol. 11 No. 6 (2024): Desember 2024
Publisher : eProceedings of Engineering

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

Abstract

Telkom University merupakan sebuah kampus swasta yang terletak di kabupaten Bandung dengan jumlah mahasiswa yang semakin meningkat dari tahun ke tahun secara signifikan, Telkom University adalah salah salah satu kampus swasta favorit di Jawa Barat dengan menghasilkan lulusan-lulusan terbaik setiap tahunnya. Mengingat dengan jumlah mahasiswa yang selalu bertambah, demi kenyamanan yang disediakan oleh berbagai macam operator jaringan di area kampus, para pengguna cenderung memanfaatkan waktu luang mereka untuk streaming, downloading, dan aktivitas lainnya yang memerlukan layanan VoIP. Akibatnya, menyediakan layanan LTE yang andal dengan kecepatan data yang cukup di area kampus yang padat akan jumlah mahasiswanya menjadi tantangan besar bagi operator seluler di Indonesia. Penelitian dilakukan dengan drive test yang dilakukan di dalam kampus dan didukung dengan software G-NetTrack Pro yang akan mencatat logfile drive untuk mendapatkan nilai RSRP, RSRQ, dan SNR selama percobaan pengambilan data di dalam area kampus Telkom University. Optimasi jaringan dilakukan dengan tujuan untuk meningkatkan kualitas layanan dengan metode yang paling efisien dari segi biaya. Hasil dari penelitian ini bertujuan untuk mengidentifikasi dan mengimplementasikan metode optimalisasi yang efektif untuk jaringan LTE area kampus Telkom University. Dengan menggunakan drive test yang didukung oleh perangkat lunak G-NetTrack Pro, berbagai parameter jaringan seperti RSRP, RSRQ, dan SNR dapat diukur secara akurat selama percobaan. Hasil dari optimasi ini menunjukkan peningkatan kualitas layanan dan efisiensi jaringan. Optimasi jaringan dilakukan dengan konfigurasi ulang antena pada cell tower Cell ID 110209547 dengan metode Tilting dan re-azimuth yang disimulasikan menggunakan software Atoll 3.4. Dari simulasi optmasi yang dilakukan RSRP meningkat sebesar 8.66 %, SINR meningkat sebesar 5,3 dB, dan RSRQ sebesar 28% dengan hasil optimasi yang didapatkan melampaui target KPI untuk parameter SINR. Kata Kunci: 4G LTE, Antenna, Drive Test, Optimization, QoS
YOLOv11 for Classification of Strawberry Quality and Ripeness Fahriansyah, Ardy; Zaky, Pavel Manaf El; Novamizanti, Ledya; Sa’idah, Sofia
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

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

Abstract

Strawberries hold significant economic value in Indonesia due to their high demand and nutritional benefits. Traditional harvesting methods, which rely on manual visual inspection, are often inefficient and prone to errors. Real-time multi-object detection presents a promising solution to enhance automation in harvesting, ripeness classification, and post-harvest processing. This study assesses the performance of four YOLOv11 variants—YOLOv11N, YOLOv11S, YOLOv11M, and YOLOv11L—in detecting strawberries across five quality and ripeness categories: Unripe, Half Ripe Grade B, Half Ripe Grade A, Fully Ripe Grade B, and Fully Ripe Grade A. A dataset originally consisting of 3,055 high-resolution strawberry images was expanded through data augmentation to 7,940 images. These were subsequently split into training (7,330 images), validation (305 images), and testing (305 images) sets. All models were trained under identical conditions utilizing the AdamW optimizer, cosine annealing learning rate scheduling, a batch size of 16, and an input resolution of 640×640 pixels. Performance was evaluated based on Precision, Recall, F1-Score, mAP@0.5, mAP@0.95, and inference time. The results indicate that YOLOv11N achieved the best overall performance, with a Precision of 0.869, Recall of 0.878, F1-Score of 0.87, mAP@0.95 of 0.830, and the fastest inference time of 3.6 ms, rendering it suitable for real-time deployment. YOLOv11M provided a balanced trade-off between accuracy and speed, while YOLOv11S offered competitive accuracy with lower inference latency. YOLOv11L demonstrated strong detection capabilities but with the slowest inference time. These findings affirm the efficacy of YOLOv11-based models in facilitating scalable and intelligent systems for precision agriculture. Keywords—strawberry, computer vision, deep learning, object detection, classification, YOLO.
Watermarking Citra Medis Menggunakan Spread Spectrum Dengan Kode Hadamard Wulanda, Ghea Aldama; Budiman, Gelar; Sa’idah, Sofia
eProceedings of Engineering Vol. 11 No. 2 (2024): April 2024
Publisher : eProceedings of Engineering

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

Abstract

Dalam era digital, perlindungan data medis semakin penting karena citra medis disimpan dan dibagikan secaraelektronik. Salah satu cara efektif melindungi integritas citra medis adalah melalui watermarking, pada Tugas Akhir inimetode yang digunakan adalah watermarking spread spectrum dengan kode Hadamard pada citra medis. KodeHadamard dipilih karena dapat melindungi citra dari serangan dan perubahan. Watermark disisipkan ke spektrum citraasli menggunakan kode Hadamard pada piksel citra. Ini memungkinkan penyisipan data yang kuat sambil menjagakualitas citra penting untuk diagnosis. Penelitian ini menguji ketahanan citra ter-watermark terhadap berbagai serangandan kemampuan sistem mendeteksi watermark pada citra yang diserang.Tugas Akhir ini menemukan bahwa sistemwatermarking menunjukkan ketahanan yang baik terhadap berbagai serangan pada citra ter-watermark. Namun, terdapatbeberapa serangan seperti serangan crop dengan parameter [2] dan serangan kompresi (jpeg) dengan parameter [70]yang menyebabkan sedikit kesulitan dalam pemulihan watermark. Meskipun begitu secara keseluruhan sistemwatermarking tetap menunjukkan kinerja yang sangat baik dalam memulihkan watermark dari berbagai jenis seranganpada citra ter-watermark. Sistem ini telah diuji kualitasnya melalui parameter PSNR (Peak Signal-to-Noise Ratio) ≥ 30dB, BER (Bit Error Rate) = 0, dan MOS (Mean Opinion Square) = 4. Kata kunci : Watermarking , Citra medis , Spread Spectrum dan kode Hadamard
Co-Authors Andhita Nurul Khasanah Arif Indra Irawan Azzahra, Salwa Bambang Hidayat Devayanto, Ferdi DHONI PUTRA SETIAWAN Diliana, Faizza Haya Fahmi Oscandar, Fahmi Fahriansyah, Ardy Gadama, Melsan Gelar Budiman Hermina, Nanda Putri Inung Wijayanto Kurnia Ismanto, Rima Ananda Ledya Novamizanti Nur Pratama, Yohanes Juan Prasetiyo, Hairullah Putra, Yusuf Azarya Eka Putri, Athaliqa Ananda Rahmaniar, Thalita Dewi Safitri, Ayu Sekar Sugondo Hadiyoso Sulistyo, Tobias Mikha Utami, Ayu Tuty Wibisono, Adrian Wibowo, Raiyan Adi Wulanda, Ghea Aldama Zaky, Pavel Manaf El