Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal KERNEL: Jurnal Riset Inovasi Bidang Informatika dan Pendidikan Informatika Edutik : Jurnal Pendidikan Teknologi Informasi dan Komunikasi
Arishandy, Zalfa Ibtisamah
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Languange, Linguistic, Communication & Media Other

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

Found 2 Documents
Search

 1 
Penerapan Convolutional Neural Network (CNN) dalam Klasifikasi Citra MRI untuk Deteksi Tumor Otak Manusia Dimara, Denis Lizard Sambawo; Putri, Shintyadhita Wirawan; Amelia, Rizky; Arishandy, Zalfa Ibtisamah; Rizki, Agung Mustika
KERNEL: Jurnal Riset Inovasi Bidang Informatika dan Pendidikan Informatika Vol 4, No 2 (2023)
Publisher : Institut Teknologi Adhi Tama Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31284/j.kernel.2023.v4i2.6960

Abstract

Brain tumors are deadly diseases with a high mortality rate, making early diagnosis crucial to improving patient survival rates. However, manual diagnosis through Magnetic Resonance Imaging (MRI) often requires significant time and is prone to errors. This study developed an MRI image classification method using the EfficientNetB3-based Convolutional Neural Network (CNN) architecture to detect brain tumors. The dataset used was obtained from Kaggle, consisting of 253 brain MRI images, including 98 normal and 155 abnormal images. The data were preprocessed through normalization and resizing to 224x224 pixels. The model employed transfer learning techniques using pretrained weights from ImageNet, enhanced with additional layers to improve performance. Evaluation was conducted using metrics such as accuracy, precision, recall, F1-score, AUC, as well as confusion matrix and classification report analyses. The results showed that the EfficientNetB3 model achieved an overall accuracy of 86%, demonstrating its capability to support brain tumor diagnosis processes quickly and accurately. This implementation is expected to provide a significant contribution to early detection of brain tumors and improve patient care quality in the medical field.
Perbandingan Model Transfer Learning InceptionV3 dan ResNet50 untuk Klasifikasi Penyakit Mata pada Citra Retina Oktavian, Jaguar Deva Nanggalasakti; Arishandy, Zalfa Ibtisamah; Zakita, Asyer Pradana Putra; Muttaqin, Faisal
Edutik : Jurnal Pendidikan Teknologi Informasi dan Komunikasi Vol. 5 No. 6 (2025): EduTIK : Desember 2025
Publisher : Jurusan PTIK Universitas Negeri Manado

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

Abstract

Penyakit mata seperti retinopati diabetik, glaukoma, dan katarak merupakan penyebab utama gangguan penglihatan global yang memerlukan deteksi dini untuk mencegah kerusakan permanen. Mengingat keterbatasan jumlah spesialis mata, pengembangan sistem diagnosis otomatis berbasis kecerdasan buatan menjadi solusi krusial untuk efisiensi skrining medis. Penelitian ini bertujuan untuk melakukan studi komparatif antara dua arsitektur Transfer Learning populer, yaitu InceptionV3 dan ResNet50, guna menentukan model yang paling optimal dalam mengklasifikasikan penyakit mata melalui citra retina. Dataset yang digunakan terdiri dari 4.217 citra fundus retina yang terbagi ke dalam empat kelas: Cataract, Diabetic Retinopathy, Glaucoma, dan Normal, dengan penerapan teknik augmentasi data untuk meningkatkan generalisasi model. Melalui serangkaian eksperimen terkontrol, hasil evaluasi menunjukkan bahwa arsitektur ResNet50 memiliki performa yang lebih unggul dibandingkan InceptionV3. ResNet50 berhasil mencapai tingkat akurasi sebesar 90% dengan nilai precision, recall, dan F1-score yang stabil di angka 0.90, sedangkan InceptionV3 mencatatkan akurasi sebesar 84%. Berdasarkan stabilitas pelatihan dan kemampuan generalisasi data, ResNet50 direkomendasikan sebagai arsitektur yang lebih andal untuk implementasi sistem deteksi dini penyakit mata pada citra retina.
Co-Authors Agung Mustika Rizki, Agung Mustika Dimara, Denis Lizard Sambawo Muttaqin, Faisal Oktavian, Jaguar Deva Nanggalasakti Putri, Shintyadhita Wirawan Rizky Amelia Zakita, Asyer Pradana Putra