Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika SNTE
HASUGIAN, MEILAN JIMMY
Unknown Affiliation
Automotive Engineering Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Mechanical Engineering

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

Found 2 Documents
Search

 1 
Perbandingan Deteksi Letak Polip pada Citra Colonoscopy menggunakan CNN dengan Arsitektur RetinaNet JONATHAN, RONALDO DAVE; HASUGIAN, MEILAN JIMMY; SARTIKA, ERWANI MERRY
ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika Vol 10, No 4: Published October 2022
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/elkomika.v10i4.946

Abstract

ABSTRAKPenyakit kanker kolorektal diawali munculnya polip pada usus besar yang dapat berubah menjadi tumor ganas dan menimbulkan kanker. Sehingga diperlukan screening terhadap usus besar menggunakan colonoscopy. Menurut penelitian sekitar 26% polip terlewat saat prosedur colonoscopy. Pada penelitian ini dilakukan implementasi Convolutional Neural Network (CNN) dengan arsitektur RetinaNet untuk mendeteksi letak polip pada citra colonoscopy. Perbandingan dilakukan pada 3 jenis arsitektur yaitu ResNet-50, ResNet-101, dan ResNet-152 sebagai backbone pada arsitektur RetinaNet. Model yang terbaik berdasarkan metrik Intersection over Union (IoU) adalah model RetinaNet (Backbone = ResNet-50) tanpa data augmentation dengan nilai 0.8415. Sedangkan model yang terbaik berdasarkan metrik Average Precision (AP) adalah RetinaNet (Backbone = ResNet-101) dengan data augmentation dengan nilai AP25 = 0.9308, AP50 =0.9039, AP75 = 0.6985.Kata kunci: polip, colonoscopy, Convolutional Neural Network (CNN), RetinaNet ABSTRACTColorectal cancer always begins with the appearance of polyps in the colon which can turn into malignant tumors and cause cancer. Therefore, it is necessary to screen the large intestine using colonoscopy. However, according to studies, about 26% of polyps are missed during colonoscopy procedures. In this study, a Convolutional Neural Network (CNN) with RetinaNet architecture was implemented to detect the location of polyps in colonoscopy images. Comparisons were made on 3 types of architecture, namely ResNet-50, ResNet-101, and ResNet-152. From the evaluation results, the best model based on the Intersection over Union (IoU) metric is the RetinaNet model (Backbone = ResNet-50) without augmentation data with a value of 0.8415. While the best model based on the Average Precision (AP) metric is RetinaNet (Backbone = ResNet-101) with data augmentation with values AP25 = 0.9308, AP50 = 0.9039, AP75 = 0.6985.Keywords: polyp, colonoscopy, Convolutional Neural Network (CNN), RetinaNet
Segmentasi dan Klasifikasi Sel pada Citra Histologi dengan Menggunakan Jaringan Konvolusional Encoder-Decoder Olii, Laura Husain; Pasaribu, Novie Theresia Br; Hasugian, Meilan Jimmy; Gany, Audyati
Seminar Nasional Teknik Elektro Vol. 3 No. 1 (2023): SNTE II
Publisher : Forum Pendidikan Tinggi Teknik Elektro Indonesia Pusat

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

Abstract

Analisis citra histologi merupakan hal yang esensial dalam penelitian medis untuk membantu diagnosis penyakit. Sel pada citra histologi dapat memiliki variasi bentuk dan ukuran yang beragam. Segmentasi dan klasifikasi sel pada citra histologi adalah langkah awal yang penting untuk dilakukan dalam analisis citra histologi untuk mengetahui kondisi dari sel pada jaringan agar dapat dilakukan analisis lebih lanjut. Dataset yang digunakan pada penelitian ini yaitu dataset Lizard yang disediakan secara publik pada kompetisi Conic 2022. Model jaringan konvolusional encoder-decoder arsitektur LinkNet dengan modifikasi pada bagian encoder dibuat untuk melakukan segmentasi dan klasifikasi sel pada citra histologi menjadi enam kelas yaitu sel neutrofil, sel epitel, sel limfosit, sel plasma, sel eosinofil, dan jaringan ikat. Model pretrained Convolutional Neural Network yang digunakan untuk menjadi encoder LinkNet adalah VGG16, DenseNet121, dan EfficientNet-B2. Berdasarkan hasil pengujian dengan menggunakan metric Mean Intersection over Union (mIoU) pada arsitektur LinkNet dengan masing-masing arsitektur encoder didapatkan hasil performansi terbaik dengan menggunakan arsitektur LinkNet dengan encoder DenseNet121 sebesar 0.5791 pada kelas sel epitel, 0.3935 pada kelas sel limfosit, 0.0444 pada kelas sel plasma, dan 0.4342 pada kelas jaringan ikat.
Co-Authors Audyati Gany, Audyati Erwani Merry Sartika JONATHAN, RONALDO DAVE Olii, Laura Husain Pasaribu, Novie Theresia Br