Article Per Year (5 Year)
p-Index From 2020 - 2025
0.562
P-Index
This Author published in this journals
All Journal Techno.Com: Jurnal Teknologi Informasi JSiI (Jurnal Sistem Informasi) Journal of Applied Data Sciences
Tikaningsih, Ades
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Engineering

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

Found 3 Documents
Search

 1 
High-Accuracy Stroke Detection System Using a CBAM-ResNet18 Deep Learning Model on Brain CT Images Tahyudin, Imam; Isnanto, R Rizal; Prabuwono, Anton Satria; Hariguna, Taqwa; Winarto, Eko; Nazwan, Nazwan; Tikaningsih, Ades; Lestari, Puji; Rozak, Rofik Abdul
Journal of Applied Data Sciences Vol 6, No 1: JANUARY 2025
Publisher : Bright Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47738/jads.v6i1.569

Abstract

Stroke is a brain dysfunction that occurs suddenly as a result of local or overarching damage to the brain, lasts for at least 24 hours, and causes about 15 million deaths each year globally. Immediate medical treatment is essential to reduce the potential for further brain damage in stroke patients. Medical imaging, especially computed tomography (CT scan), plays a crucial role in the diagnosis of stroke. This study aims to develop and evaluate a deep learning architecture based on Convolutional Block Attention Module (CBAM) and ResNet18 for stroke classification in CT images. This model is designed through data preprocessing, training, and evaluation stages using a cross-validation approach. The results showed that the CBAM-ResNet18 integration resulted in a high accuracy of 95% in distinguishing stroke and non-stroke cases. The accuracy rate reached 96% for nonstroke identification (class 0) and 94% for stroke (class 1), with recall rates of 96% and 93%, respectively. Outstanding classification ability is demonstrated by an Area Under the Curve (AUC) value of 0.99. In comparison, the standard ResNet18 model shows significant fluctuations in validation loss and difficulty in generalization, with training accuracy only reaching 64-68%. On the other hand, CBAM-ResNet18 showed a significant performance improvement with a validation accuracy of 95%, a validation loss of 0.0888, and good generalization on new data. However, the limitations of the dataset and the interpretation of the results indicate the need for further validation to ensure the generalization of the model. These results show the great potential of the CBAM-ResNet18 architecture as an innovative tool in stroke diagnostic technology based on CT imaging analysis. This technology can support faster and more accurate clinical decision-making, as well as open up opportunities for further research related to the development of artificial intelligence-based systems in the medical field.
Integrasi Virtual Reality dan Sistem Treadmill untuk Meningkatkan Pengalaman Wisatawan: Studi Kasus Destinasi Wisata Balekemambang Rozak, Rofiq 'Abdul; Tahyudin, Imam; Tikaningsih, Ades; Saefullah, Ufu; Prasetya, Subani Charis; Alam, Yusuf Nur
Techno.Com Vol. 24 No. 1 (2025): Februari 2025
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v24i1.11886

Abstract

Sektor pariwisata memegang peranan penting dalam pertumbuhan ekonomi negara-negara berkembang seperti Indonesia. Namun, metode promosi tradisional mungkin tidak lagi memadai untuk menarik pengunjung di era digital. Penelitian ini menyelidiki penerapan teknologi Virtual Reality (VR) yang terintegrasi dengan sistem treadmill untuk mempromosikan Balekemambang, destinasi wisata di Purwokerto, Jawa Tengah. Dengan menggabungkan sistem berbasis Raspberry Pi dan video 360 derajat Balekemambang, pengalaman VR memungkinkan pengguna menjelajahi situs secara virtual sambil berjalan di atas treadmill, mensimulasikan kunjungan di dunia nyata. Penelitian ini mengevaluasi efektivitas sistem ini dalam meningkatkan pengalaman imersif dan pengaruhnya terhadap minat wisatawan. Peserta diminta untuk mencoba sistem VR dan kemudian mengisi kuesioner untuk mengukur berbagai faktor, termasuk keterlibatan emosional, minat terhadap destinasi, dan kemungkinan berkunjung. Model regresi logistik mengungkapkan hasil yang signifikan, dengan tingkat akurasi 100%, seperti yang ditunjukkan oleh matriks kebingungan. Temuan ini menunjukkan bahwa pengalaman VR yang imersif dapat memengaruhi minat wisatawan secara signifikan, menjadikan VR sebagai alat yang ampuh untuk mempromosikan pariwisata.   Kata kunci: Realitas Virtual, Integrasi Treadmill, Regresi Logistik, Balekemambang
Klasifikasi Edibilitas Jamur Secara Otomatis Menggunakan  Algoritma Random Forest Berbasis Morfologi Pahlevi, Muhammad Reza; Tahyudin, Imam; Tikaningsih, Ades
Jurnal Sistem Informasi Vol. 12 No. 2 (2025)
Publisher : Universitas Serang Raya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30656/jsii.v12i2.10868

Abstract

Jamur merupakan organisme yang memiliki keragaman morfologi yang tinggi, namun beberapa jenis di antaranya bersifat beracun dan membahayakan jika dikonsumsi. Kesamaan ciri fisik antara jamur yang dapat dimakan dan yang beracun sering kali menyulitkan proses identifikasi secara manual. Penelitian ini bertujuan mengembangkan sistem klasifikasi otomatis berbasis algoritma Random Forest untuk membedakan jamur edible dan poisonous, memanfaatkan seluruh 21 atribut (18 kategorikal, 3 numerik) dari dataset komprehensif Kaggle (61.069 entri). Metodologi penelitian mengikuti alur CRISP-DM yang dimodifikasi, dimulai dari pengumpulan data hingga implementasi. Tahap pra-pemrosesan data krusial dilakukan secara ekstensif, meliputi penanganan duplikasi data dan imputasi missing value (menggunakan median dan modus). Selanjutnya, transformasi label kelas (edible=0, poisonous=1) dan One-Hot Encoding diterapkan pada fitur kategorikal untuk representasi numerik yang tepat. Fitur numerik seperti cap-diameter dan stem-height dinormalisasi menggunakan Standard Scaling untuk menyeimbangkan kontribusi. Data kemudian dibagi 80:20 untuk pelatihan dan pengujian. Model Random Forest dikembangkan dengan parameter optimal (n_estimators=200, max_depth=15, class_weight="balanced") untuk efisiensi dan robustabilitas terhadap ketidakseimbangan kelas. Hasil evaluasi menunjukkan performa sangat baik dengan akurasi keseluruhan 99,34%, serta nilai precision, recall, dan f1-score yang seimbang pada 0.99 untuk kedua kelas. Analisis feature importance mengidentifikasi stem-width, stem-height, dan cap-diameter sebagai atribut paling berpengaruh. Learning curve menunjukkan stabilitas model tanpa overfitting. Implementasi pada sampel jamur baru juga mengkonfirmasi kemampuan prediksi yang konsisten, menjadikan model ini layak sebagai sistem pendukung keputusan otomatis dalam deteksi jamur beracun.
Co-Authors Alam, Yusuf Nur Anton Satria Prabuwono Eko Winarto Imam Tahyudin Muhammad Reza Pahlevi Nazwan, Nazwan Prasetya, Subani Charis PUJI LESTARI R Rizal Isnanto Rozak, Rofik Abdul Rozak, Rofiq 'Abdul Saefullah, Ufu Taqwa Hariguna