Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Informasi dan Ilmu Komputer Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Putra, Octo Perdana
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

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

Found 2 Documents
Search

 1 
Klasifikasi Penyakit Alzheimer Dari Scan Mri Otak Menggunakan Convnext Austin, Yehezkiel Stephanus; Irfano, Haikal; Christopher, Juan Young; Sukma, Lintang Cahyaning; Putra, Octo Perdana; Ardhanto, Riyadh Ilham; Yudistira, Novanto
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 6: Desember 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024118117

Abstract

Penyakit Alzheimer adalah gangguan neurodegeneratif yang menyebabkan penurunan fungsi kognitif yang signifikan. Penanganan penyakit ini dapat dilakukan melalui deteksi dini untuk meningkatkan kualitas kehidupan pasien melalui perawatan medis yang efisien dan tepat waktu. Teknologi machine learning dan neural network dapat mendukung deteksi dini melalui penggunaan model ConvNeXt yang telah dilatih dengan metode transfer learning menggunakan bobot awal dari ImageNet, dan di-fine-tune untuk mengklasifikasikan empat tingkat keparahan Alzheimer berdasarkan hasil pemindaian MRI otak, yaitu Mild Demented, Moderate Demented, Non Demented, dan Very Mild Demented. Penelitian ini akan menghasilkan model h5 dengan akurasi yang lebih baik daripada model lain sehingga dapat di-deploy pada aplikasi atau website untuk membantu deteksi dini klasifikasi tingkat keparahan Alzheimer.   Abstract   A Alzheimer's disease is a neurodegenerative disorder that causes significant cognitive decline. Early detection is crucial for managing this disease to improve patients' quality of life through efficient and timely medical care. Machine learning and neural network technology can support early detection through the use of the ConvNeXt model, which has been trained using transfer learning with initial weights from ImageNet and fine-tuned to classify four stages of Alzheimer's severity based on brain MRI scans: Non Demented, Very Mild Demented, Mild Demented, and Moderate Demented. This research will produce an h5 model with better accuracy than other models, enabling it to be deployed in applications or websites to assist in the early detection and classification of Alzheimer's severity.    
Klasifikasi Kepribadian Model Big Five (OCEAN) Pada Esai Berbahasa Inggris Menggunakan Metode Naïve Bayes Dengan Seleksi Fitur Information Gain Putra, Octo Perdana; Indriati; Budi Darma Setiawan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 7 (2025): Juli 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Kepribadian adalah aspek yang penting diketahui setiap orang agar dapat mengenal diri sendiri maupun orang lain dengan lebih baik. Salah satu model yang telah diakui secara internasional dan digunakan secara luas untuk mengetahui aspek kepribadian adalah tes kepribadian dengan model Big Five Personality atau model OCEAN. Model ini mengklasifikasikan kepribadian menjadi lima kategori yaitu Openness, Conscientiousness, Extraversion, Agreeableness, dan Neurocitism. Untuk meningkatkan efisiensi waktu bagi responden dan pihak perusahaan yang menerapkan tes kepribadian model OCEAN maka dibuat suatu sistem klasifikasi teks dengan menggunakan metode Multinomial Naïve Bayes dan seleksi fitur Information Gain. Pada skenario pengujian yang diterapkan, penggunaan seleksi fitur menghasilkan akurasi yang lebih baik dibanding tanpa menggunakan seleksi fitur. Akurasi tertinggi yang dihasilkan tanpa seleksi fitur yaitu sebesar 55,09%, sedangkan akurasi tertinggi yang dihasilkan menggunakan menggunakan seleksi fitur Information Gain yaitu sebesar 80,71% pada proporsi fitur 25%. Sehingga penggunaan seleksi fitur Information Gain berdampak positif pada hasil akurasi.
Co-Authors Ardhanto, Riyadh Ilham Austin, Yehezkiel Stephanus Budi Darma Setiawan Christopher, Juan Young Indriati Irfano, Haikal Novanto Yudistira Sukma, Lintang Cahyaning