Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal ILKOMNIKA: Journal of Computer Science and Applied Informatics Jurnal Informatika: Jurnal Pengembangan IT
Rosyidan, Fikri Yoma
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management

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

Found 2 Documents
Search

 1 
Integrasi Pendekatan Transformer dalam Jaringan Group Convolutional untuk Optimasi Super-Resolusi Citra Rosyidan, Fikri Yoma; Indraswari, Rarasmaya
ILKOMNIKA Vol 7 No 1 (2025): Volume 7, Number 1, April 2025
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28926/ilkomnika.v7i1.718

Abstract

Single Image Super-Resolution (SISR) merupakan salah satu tantangan krusial dalam pengolahan citra digital, di mana tujuan utamanya adalah mengubah citra beresolusi rendah menjadi citra beresolusi tinggi dengan detail yang tajam dan akurasi visual yang tinggi. Di era digital saat ini, kebutuhan akan citra berkualitas tinggi sangat mendesak di berbagai bidang, mulai dari diagnosa medis yang membutuhkan interpretasi detail citra MRI dan CT scan, hingga aplikasi pengawasan keamanan dan hiburan digital yang mengandalkan ketajaman visual. Beragam pendekatan berbasis Convolutional Neural Network (CNN) seperti Enhanced Group Convolutional Neural Network (EGCNN) telah banyak dikembangkan, namun keterbatasannya dalam menangkap hubungan jarak jauh antar piksel membatasi hasil rekonstruksi. Di sisi lain, metode Transformer dengan mekanisme self-attention efektif memodelkan konteks global, tetapi kompleksitas komputasi menjadi tantangan tersendiri. Oleh karena itu, penelitian ini mengusulkan integrasi Efficient Transformer (ET) ke dalam arsitektur EGCNN. Integrasi ini menggabungkan keunggulan EGCNN dalam ekstraksi fitur lokal menggunakan group convolution dengan kemampuan ET dalam menangkap informasi global secara efisien. Evaluasi dilakukan dengan metrik Peak Signal-to-Noise Ratio (PSNR) dan Structural Similarity Index (SSIM) pada dataset pengujian (Set5, Set14, BSD100, Urban100). Hasil penelitian menunjukkan bahwa integrasi ET meningkatkan performa model secara signifikan dibandingkan baseline EGCNN, terutama pada skala pembesaran ×2, sekaligus menawarkan alternatif kompetitif dan efisien terhadap model-model SISR terkini.
Analisis Berbasis Convolutional Neural Network untuk Pendeteksian Kanker Prostat dengan Citra Magnetic Resonance Imaging (MRI) Rosyidan, Fikri Yoma; Hendradi, Rimuljo; Wuryanto, Eto
Jurnal Informatika: Jurnal Pengembangan IT Vol 10, No 3 (2025)
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/jpit.v10i3.8397

Abstract

Kanker prostat adalah tumor ganas yang berada dari kelenjar prostat, yang merupakan bagian penting dari sistem reproduksi pria. Adanya peningkatan prevalensi kanker prostat maka diperlukan deteksi dini yang akurat. Penelitian ini memfokuskan pada pemanfaatan deep learning, khususnya metode Convolutional Neural Network (CNN) untuk mendiagnosis kanker prostat melalui citra MRI. Diperlukan penelitian untuk mengkaji tiga arsitektur CNN: U-Net, nnU-Net, dan nnDetection agar didapatkan arsitektur yang terbaik. Data penelitian ini menggunakan data sekunder sejumlah 1294 citra MRI dari The PI-CAI Challenge “Artificial Intelligence Radiologists Prostate Cancer Detection in MRI” tahun 2022. Data tersebut menjalani proses pre-processing, termasuk normalisasi intensitas piksel, augmentasi data seperti rotasi dan scaling, serta pemotongan gambar untuk menghilangkan area yang tidak relevan. Proses selanjutnya data tersebut akan masuk ke tahap pelatihan model dengan menggunakan ketiga arsitektur. Hasil dari pelatihan tersebut akan dievaluasi kinerja modelnya dengan menggunakan metrik Area Under the Receiver Operating Characteristic Curve (AUROC) dan Average Precision (AP). Hasil evaluasi menunjukkan bahwa arsitektur U-Net mencapai AUROC 89,94% dan AP 51,22%, arsitektur nnU-Net mencapai AUROC 97,75% dan AP 86,67%. dan arsitektur nnDetection mencapai AUROC 83,66% serta AP 49,91%. Dari perbandingan hasil ketiga arsitektur maka didapatkan hasil terbaik adalah arsitektur nnU-Net dengan capaian AUROC 97,75% dan AP 86,67%. Penelitian ini menunjukkan potensi penggunaan CNN dalam diagnosis kanker prostat melalui citra MRI. Temuan penelitian menegaskan pentingnya pemilihan arsitektur yang tepat dalam aplikasi deep learning untuk citra medis.
Co-Authors Eto Wuryanto Indraswari, Rarasmaya Rimuljo Hendradi