Article Per Year (5 Year)
p-Index From 2020 - 2025
0.61
P-Index
This Author published in this journals
All Journal Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Progresif: Jurnal Ilmiah Komputer
Siregar, Alda Cendekia
Universitas Muhammadiyah Pontianak
Computer Science & IT Control & Systems Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Deteksi Tumor Otak Menggunakan Metode Watershed dan Thresholding Pada Citra MRI Prayogi, Aditya; Siregar, Alda Cendekia; Insani, Rachmat Wahid Saleh
Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 12, No 3: Desember 2023
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/jutisi.v12i3.1688

Abstract

The diagnosis of a brain tumor is crucial for one's health and should be done promptly to avoid potential health complications. Many people experience severe dizziness, vomiting, and sometimes a high fever during the initial symptom phase. It is of utmost importance to obtain an accurate and early diagnosis to determine the type of tumor and select the appropriate treatment. To diagnose tumors, several procedures like tumor marker tests, radiological exams such as ultrasound, CT scan, MRI, or PET scan, and biopsy can be carried out. A system was created to make it easier to read MRI images and detect brain tumors using a combination of Watershed and Thresholding methods. The research methods used in this study were Literature Study and Dataset Collection.Key Word: Brain Tumor; Watershed; Thresholding AbstrakDiagnosa tumor otak terpenting bagi kesehatan dan harus dilakukan dengan segera untuk mengatasi masalah kesehatan yang mungkin terjadi. Banyaknya kasus yang dialami oleh orang-orang, pada awal fase gejala penderita mengalami rasa pusing yang luar biasa disertai muntah-muntah dan ada juga yang mengalami demam tingggi. Proses diagnosa yang tepat dan dini sangat penting dalam menentukan jenis tumor dan memilih pengobatan yang tepat. Beberapa prosedur yang dapat dilakukan untuk mendiagnosis tumor antara lain tes tumor marker, pemeriksaan radiologi seperti USG, CT scan, MRI, atau PET scan, dan biopsi. Maka dari itu untuk mempermudah membaca hasil dari citra MRI dibuatlah sistem yang mendeteksi tumor otak menggunakan kombinasi metode Watershed dan Thresholding.Metode penelitian yang digunakan yaitu Studi Literatur dan Pengumpulan dataset.
Identifikasi Ular Menggunakan Metode Gray Level Co-Occurrence Matrix Dan Histogram Yulia, Rantika; Siregar, Alda Cendekia; Octariadi, Barry Ceasar
Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 13, No 2: Agustus 2024
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/jutisi.v13i2.1964

Abstract

Welang and Weling snakes are types of snakes that have a similar physique and have dangerous venom. Apart from that, there is the Banded Wolf Snake (Lycodon Subcinctus) which is said to be similar to the Weling (Bungarus Candidus) but is not venomous and the Sea Snake (Laticauda Colubrina) which is similar to the Welang (Bungarus Fasciatus). The similarity of this type of snake can be seen from the snake's body motif, such as black and white or black and gold stripes. Therefore, tests were carried out using 2 different methods to prove the similarity of the four types of snakes. This research uses the Gray Level Co-Occurrence Matrix (GLCM) method and the Histogram method on snake images. The GLCM features used for extraction are Contrast, Energy, Correlation, Homogeneity and Entropy. Histogram features used are mean, variance, standard deviation, skewness and entropy. Tests carried out with 100 data obtained the highest average accuracy results using the GLCM method of 97.75% with a value of K = 1, while using the Histogram method obtained the highest average accuracy value of 100% with a value of k = 1.Key Word: Snake; Gray Level Co-Occurrence Matrix (GLCM); Histogram AbstrakUlar Welang dan Weling merupakan jenis ular yang memiliki fisik yang mirip serta memiliki bisa yang berbahaya. Selain itu, ada Banded Wolf Snake (Lycodon Subcinctus) yang disebut mirip dengan Weling (Bungarus Candidus) namun tidak berbisa dan Sea Snake (Laticauda Colubrina) yang mirip dengan Welang (Bungarus Fasciatus). Kemiripan dari jenis ular ini dilihat dari motif tubuh ular seperti belang hitam putih atau hitam emas. Oleh karena itu, dilakukan pengujian menggunakan 2 metode berbeda untuk membuktikan kemiripan empat jenis ular tersebut. Penelitian ini menggunakan metode Gray Level Co-Occurrence Matrix (GLCM) dan metode Histogram pada citra ular. Fitur GLCM yang digunakan untuk ekstraksi adalah Contrast, Energy, Correlation, Homogeneity dan Entropy. Fitur Histogram yang digunakan adalah mean, variance, standar deviasi, skewness dan entropy. Pengujian yang dilakukan dengan 100 data mendapatkan hasil akurasi rata-rata tertinggi pada metode GLCM adalah sebesar 97,75% dengan nilai K = 1 sedangkan menggunakan metode Histogram mendapat nilai akurasi rata- rata tertinggi sebesar 100% dengan nilai k=1. 
Perbandingan Model Arsitektur CNN Dengan Metode Transfer Learning Untuk Klasifikasi Spesies Ikan Laut Anugrah, Ilham; Siregar, Alda Cendekia; Octariadi, Barry Ceasar
Progresif: Jurnal Ilmiah Komputer Vol 20, No 1: Februari 2024
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v20i1.1834

Abstract

Fish are cold-blooded animals that are widely utilized by humans. Fish are a diverse group of poikilothermic vertebrates with over 27,000 species worldwide. The large number of fish species poses a challenge in distinguishing between them. This study aims to implement and compare three popular Convolutional Neural Network (CNN) architectures, namely Xception, Nasnet, and MobileNet V3L, in the task of classifying marine fish species. The research results show that all three CNN architectures perform exceptionally well in classifying marine fish species. The MobileNet V3L architecture achieves the highest level of accuracy with a value of 99% for all evaluation metrics. The Xception architecture achieves an overall accuracy of 97%, while the NasNet architecture achieves an overall accuracy of 92%. Overall, the comparison indicates that the MobileNet V3L architecture is the best architecture in this study.Keyword: Convolutional Neural Network; Transfer Learning; Sea Fish Classification AbstrakIkan merupan hewan berdarah dingin yang banyak di manfaatkan oleh manusia. Ikan adalah kelompok vertebrata poikilotermik yang beraneka ragam dengan jumlah spesies lebih dari 27.000 di seluruh dunia. Banyaknya jumlah spesies ikan menjadi satu masalah dalam membedekan jenis ikan. Penelitian inibertujuan untuk menerapkan dan membandingkan tiga arsitektur Convolutional Neural Network (CNN) yang populer, yaitu Xception, Nasnet, dan MobileNet V3L, dalam tugas klasifikasi spesies ikan laut. Hasil penelitian menunjukkan bahwa semua tiga arsitektur CNN memiliki performa yang sangat baik dalam klasifikasi spesies ikan laut. Arsitektur MobileNet V3L mencapai tingkat akurasi tertinggi dengan nilai sebesar 99% untuk semua metrik evaluasi. untuk arsitektur Xception menghasilkan akurasi keseluruhan 97% dan arsitektur NasNet menghasilkan akurasi keseluruhan 92%. Secara keseluruhan perbandingan dapat dikatakan bahwa arsitektur Mobilenet V3L adalah arsitektur terbaik dalam penelitian ini.Kata kunci: Convolutional Neural Network; Transfer Learning; Klasifikasi Ikan Laut
Co-Authors Anugrah, Ilham Barry Ceasar Octariadi PRAYOGI, ADITYA Rachmat Wahid Saleh Insani Yulia, Rantika