Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal Simtek : Jurnal Sistem Informasi dan Teknik Komputer
Baital, Muhammad Syarif
Unknown Affiliation
Computer Science & IT Electrical & Electronics Engineering Engineering

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

Found 2 Documents
Search

 1 
DETEKSI MALFORMASI UTERUS MELALUI CITRA HISTEROSALPINGOGRAFI MENGGUNAKAN DEEP LEARNING Baital, Muhammad Syarif; Achmad, Andani; Hazriani, Hazriani
Simtek : jurnal sistem informasi dan teknik komputer Vol. 10 No. 1 (2025): April 2025
Publisher : STMIK Catur Sakti Kendari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51876/simtek.v10i1.1530

Abstract

Penelitian ini menyoroti tingginya angka kejadian malformasi uterus yang berkontribusi terhadap infertilitas, keguguran, serta komplikasi perinatal, sehingga diperlukan metode diagnostik yang lebih presisi. Tujuan utama dari penelitian ini adalah merancang model deep learning berbasis Convolutional Neural Network (CNN) dengan arsitektur ResNet untuk mendeteksi berbagai jenis malformasi uterus melalui citra Histerosalpingografi (HSG) serta menilai tingkat akurasinya dalam mengklasifikasikan enam jenis malformasi, yaitu unicornuate, bicornuate, didelphys, septate, arcuate, dan uterus normal. Dataset yang digunakan mencakup 1.800 citra yang terbagi secara merata ke dalam enam kategori. Model ResNet Baseline menunjukkan performa terbaik dengan tingkat akurasi, presisi, recall, dan F1-Score sebesar 100% pada data latih sebesar 90%.
MEDACT: FUNGSI AKTIVASI HIBRID BARU UNTUK MODEL RESNET PADA KLASIFIKASI CITRA MEDIS Baital, Muhammad Syarif; Jasman, Jasman; Inda, Nur
Simtek : jurnal sistem informasi dan teknik komputer Vol. 10 No. 2 (2025): Oktober 2025
Publisher : STMIK Catur Sakti Kendari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51876/simtek.v10i2.1685

Abstract

Penelitian ini menyoroti pentingnya pemilihan fungsi aktivasi pada model deep learning untuk klasifikasi tumor otak berbasis citra MRI. Sebanyak sebelas fungsi aktivasi, termasuk ReLU, Leaky ReLU, ELU, Swish, Mish, PReLU, GELU, SELU, HardSwish, MedAct Fixed, dan MedAct Learnable, dievaluasi pada arsitektur ResNet. Hasil menunjukkan hampir semua fungsi mencapai akurasi pengujian ≥ 99% dengan perbedaan relatif kecil. ReLU, Swish, Mish, dan MedAct Learnable menempati posisi terbaik dengan hanya dua kesalahan klasifikasi, sedangkan PReLU dan MedAct Fixed menunjukkan kelemahan dengan tujuh kesalahan. Temuan penting adalah bahwa fungsi aktivasi baru (MedAct Learnable), mampu menyamai performa fungsi aktivasi modern terbaik dan menunjukkan peningkatan signifikan dibandingkan MedAct Fixed. Hal ini menegaskan bahwa sifat adaptif parameter α memberikan kontribusi positif terhadap generalisasi model.
Co-Authors Andani Achmad Hazriani, Hazriani inda, nur Jasman Jasman