Article Per Year (5 Year)
p-Index From 2020 - 2025
0.61
P-Index
This Author published in this journals
All Journal J-SAKTI (Jurnal Sains Komputer dan Informatika) J-SAKTI (Jurnal Sains Komputer dan Informatika) JUSTIN (Jurnal Sistem dan Teknologi Informasi)
Ifayatin, Hadijah Nisa
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Energy

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

Found 3 Documents
Search

 1 
Sistem Deteksi Penyakit Pneumonia Menggunakan Algoritma Faster R-CNN Berbasis Citra Digital Rontgen Dada Ifayatin, Hadijah Nisa; Sarita, Ihsan; Saputra, Rizal Adi
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 12, No 4 (2024)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v12i4.81304

Abstract

Pneumonia menjadi perhatian utama dalam pelayanan kesehatan yang masuk dalam 10 penyakit terbanyak di fasilitas pelayanan kesehatan. Pneumonia, infeksi pada kantung udara di paru-paru, merupakan penyakit serius yang dapat menyebabkan kematian. Data statistik dari Badan Pusat Statistik Provinsi Sulawesi Tenggara menunjukkan adanya peningkatan kasus pneumonia, terutama di rumah sakit. Kasus pneumonia pada balita di Provinsi Sulawesi Tenggara pada tahun 2022 mencapai 13.214, namun hanya sekitar 11,14% yang teridentifikasi dan ditangani. Penelitian ini bertujuan untuk mengimplementasikan metode Faster Convolutional Neural Network ( Faster RCNN) dengan menggunakan model ResNet50. Metode ini digunakan untuk membagi citra rontgen dada menjadi wilayah-wilayah tertentu, yang kemudian diekstraksi guna mendeteksi pneumonia melalui analisis gambar dari data klaster. Algoritma Faster -RCNN dipilih karena keunggulannya dalam bidang visi komputer dan kecepatan dalam eksekusi RPN lebih baik dari RCNN dan Fast RCNN. Sistem ini diharapkan dapat mendeteksi citra gambar yang akan diklasifikasikan menjadi pneumonia dan normal menggunakan Faster RCNN. Pada tahap pengujian, sistem ini akan dievaluasi dengan menggunakan matriks kekeliruan sebagai metode evaluasi utama. Pengujian ini akan mencakup nilai rata-rata loss, spesifisitas   dan akurasi   untuk setiap fitur utama dari sistem yang diusulkan. Evaluasi kinerja sistem juga menggunakan pengujianbounding box . Hasil pengujian menunjukkan bahwa sistem berhasil mengenali citra rontgen dada yang terdeteksi pneumonia atau tidak dan hasil akhir yang diperoleh berdasarkan kesamaan antara data uji dan data latih yang telah disiapkan untuk mengklasifikasikan keluaran antara pneumonia dan normal.
Segmentasi Kematangan Pisang Raja Berbasis Fitur Warna HSV Menggunakan Metode KNN Aliansa, Warham; Ifayatin, Hadijah Nisa; Saputra, Rizal Adi
J-SAKTI (Jurnal Sains Komputer dan Informatika) Vol 7, No 2 (2023): EDISI SEPTEMBER
Publisher : STIKOM Tunas Bangsa Pematangsiantar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30645/j-sakti.v7i2.669

Abstract

Taxonomically, the banana tree belongs to the Family Musaceae and the Genus Musa. The most widely cultivated species or type of banana worldwide is the wild banana. The ripeness classification of Raja bananas can be obtained through two methods: destructive and non-destructive. Destructive classification is performed through chemical analysis, but it can only be done by destroying the banana. On the other hand, non-destructive classification for Raja bananas can be done by observing the texture and color of the banana peel, which is the outermost part of the fruit, without the need to taste the flesh or peel it, thus keeping the fruit intact. In the classification of king bananas into three ripeness stages: unripe, ripe, and overripe, 150 test data and 15 training data are used. The HSV color feature is employed using the K-Nearest Neighbors (KNN) classification method with the assistance of MATLAB R2021a software, achieving 100% accuracy
Segmentasi Kematangan Pisang Raja Berbasis Fitur Warna HSV Menggunakan Metode KNN Aliansa, Warham; Ifayatin, Hadijah Nisa; Saputra, Rizal Adi
J-SAKTI (Jurnal Sains Komputer dan Informatika) Vol 7, No 2 (2023): EDISI SEPTEMBER
Publisher : STIKOM Tunas Bangsa Pematangsiantar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30645/j-sakti.v7i2.669

Abstract

Taxonomically, the banana tree belongs to the Family Musaceae and the Genus Musa. The most widely cultivated species or type of banana worldwide is the wild banana. The ripeness classification of Raja bananas can be obtained through two methods: destructive and non-destructive. Destructive classification is performed through chemical analysis, but it can only be done by destroying the banana. On the other hand, non-destructive classification for Raja bananas can be done by observing the texture and color of the banana peel, which is the outermost part of the fruit, without the need to taste the flesh or peel it, thus keeping the fruit intact. In the classification of king bananas into three ripeness stages: unripe, ripe, and overripe, 150 test data and 15 training data are used. The HSV color feature is employed using the K-Nearest Neighbors (KNN) classification method with the assistance of MATLAB R2021a software, achieving 100% accuracy
Co-Authors Aliansa, Warham Rizal Adi Saputra Sarita, Ihsan