Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Jurnal Fisika : Fisika Sains dan Aplikasinya Sunan Kalijaga Journal of Physics
Gumelar, Syahrul Fadholi
Unknown Affiliation
Astronomy Earth & Planetary Sciences Education Electrical & Electronics Engineering Materials Science & Nanotechnology Physics

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

Found 2 Documents
Search

 1 
Estimating the weight of Ongole crossbreed cattle based on image data using CNN and linear regression methods Gumelar, Syahrul Fadholi; Anggraini, Eca Indah
Sunan Kalijaga Journal of Physics Vol. 5 No. 2 (2023): Sunan Kalijaga Journal of Physics
Publisher : Prodi Fisika Fakultas Sains dan Teknologi UIN Sunan Kalijaga Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.14421/physics.v5i2.3717

Abstract

One of the contributors to the need for food, especially meat, is the Ongole breed of cattle or commonly known as PO cattle. In these livestock activities it is necessary to monitor the weight of the cattle with the aim of assessing the selling price of the cattle and knowing the health condition of the cattle. Currently breeders are still using traditional methods such as forecasts or scales in measuring the weight of cattle. Therefore, in this study using a camera sensor as an alternative instrument for measuring cattle weight. The stages of the research included image data acquisition, pre-processing, body segmentation of cattle, weight estimation and system evaluation. The process of acquiring image data is obtained with a DSLR camera device. Pre-processing is done using a kernel sharpening filter. Cattle body segmentation uses the Mask R-CNN method. The body image of the cow is then processed for weight estimation training using the CNN and Linear Regression methods. The system evaluation results at the segmentation stage succeeded in obtaining an Intersection over Union (IoU) metric value of 0.86. The weight estimation results managed to get a RMSE metric value of 1.10, MAE metric 0.24, MAPE metric 0.06%, and R2 metric 0.99.
PERKEMBANGAN PENGGUNAAN INTELIGENSIA BUATAN SEBAGAI ALAT BANTU DIAGNOSA PENYAKIT PERIODONTITIS BERBASIS DATA CITRA RONTGEN PANORAMIK GIGI: KAJIAN PUSTAKA Gumelar, Syahrul Fadholi; Aminuddin, Jamrud; Effendi, Mukhtar
Jurnal Fisika : Fisika Sains dan Aplikasinya Vol 10 No 1 (2025): Jurnal Fisika : Fisika Sains dan Aplikasinya
Publisher : Universitas Nusa Cendana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35508/fisa.v10i1.20771

Abstract

Kemajuan dalam bidang Inteligensia Buatan (Artificial Intelligence, AI) telah menghadirkan peluang baru dalam dunia medis, khususnya dalam analisis citra medis berbasis prinsip fisika. Penyakit periodontitis, yang merupakan infeksi kronis pada jaringan penyangga gigi, dapat dideteksi melalui pencitraan rontgen panoramik yang memanfaatkan sifat penyerapan dan hamburan sinar-X oleh struktur anatomi gigi dan tulang alveolar. Namun, analisis citra ini sering kali bergantung pada subjektivitas dokter gigi, sehingga diperlukan pendekatan komputasional untuk meningkatkan akurasi deteksi. Kajian pustaka ini bertujuan untuk mengidentifikasi metode AI yang diterapkan dalam proses diagnosis periodontitis menggunakan citra rontgen panoramik gigi. Delapan artikel ilmiah yang direview menunjukkan penggunaan teknik ekstraksi fitur seperti Gray Level Co-occurrence Matrix (GLCM) dan algoritma klasifikasi meliputi Random Forest, k-Nearest Neighbours (kNN), Convolutional Neural Network (CNN), YOLOv4, InceptionV3, dan Faster R-CNN. Evaluasi performa menghasilkan akurasi antara 64% hingga 91% dan nilai F1-score tertinggi sebesar 91,07%. Validitas metodologi pada artikel dinilai menggunakan Newcastle-Ottawa Scale (NOS) dan mayoritas menunjukkan kualitas sedang hingga tinggi. Temuan ini memperlihatkan bahwa integrasi AI dalam analisis radiografi gigi berpotensi memberikan hasil diagnosis yang lebih objektif dan efisien..
Co-Authors Aminuddin, Jamrud Anggraini, Eca Indah Mukhtar Effendi