Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Jurnal Computer Science and Information Technology (CoSciTech) Journal Science Informatica and Robotics
Mhd. Kadarman
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Mechanical Engineering

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

Found 1 Documents
Search
Journal : Jurnal Computer Science and Information Technology (CoSciTech)

 1 
Klasifikasi Tulang Tengkorak Manusia Berdasarkan Jenis Kelamin Menggunakan Backpropagation Pada Antropologi Forensik Afrianty, Iis; Mhd. Kadarman; Elvia Budianita; Fadhilah Syafria
Computer Science and Information Technology Vol 5 No 3 (2024): Jurnal Computer Science and Information Technology (CoSciTech)
Publisher : Universitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/coscitech.v5i3.8235

Abstract

Klasifikasi tulang tengkorak berdasarkan jenis kelamin merupakan langkah utama pada antropologi forensik dalam mengidentifikasi profil sisa-sisa kerangka. Klasifikasi jenis kelamin bertujuan untuk menentukan apakah kerangka tertentu adalah milik laki-laki atau perempuan. Penelitian ini berfokus pada klasifikasi tulang tengkorak berdasarkan jenis kelamin dengan menggunakan teknik pembelajaran mesin tingkat lanjut, khususnya Backpropagation Neural Network (BPNN). Tujuan dari penelitian ini adalah untuk menunjukkan kinerja BPNN. Data yang digunakan dalam penelitian ini diperoleh dari Dr. William Howells, meliputi pengukuran kraniometri dari 2524 sampel tengkorak laki-laki dan perempuan, dengan 86 variabel seperti lebar bizygomatic dan panjang glabello-oksipital. Teknik BPNN digunakan karena kemampuannya untuk memodelkan hubungan yang kompleks dan tidak linier. Kinerja model ini dievaluasi dengan menggunakan metrik standar akurasi. Pembagian data latih dan data uji menggunakan k-fold cross-validation dengan k = 10. Penelitian ini menjalankan dua skenario uji, yaitu menggunakan satu hidden layer dan dua hidden layer. Untuk masing-masing model arsitektur menggunakan learning rate sebagai parameter uji, yaitu 0,1; 0,01; dan 0,001. Hasil penelitian menunjukkan bahwa pendekatan pembelajaran mesin dapat secara efektif membedakan antara tulang tengkorak laki-laki dan perempuan, dengan akurasi rata-rata 92,32% untuk satu hidden layer dan 90,74% untuk dua hidden layer. Hasil tersebut menunjukkan, model klasifikasi tulang tengkorak manusia berbasis gender dengan menggunakan jaringan syaraf tiruan backpropagation sangat disarankan sebagai teknik yang berhasil dalam mengklasifikasikan tulang tengkorak manusia.
Co-Authors Bintang Cahya Elvia Budianita Fadhilah Syafria Ibnu Sahid Iis Afrianty Riadi Hermansyah