Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Journal of Electronics and Instrumentation
Stefano Akbar
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Physics

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

Found 2 Documents
Search

 1 
Identifikasi Kanker Paru-Paru Menggunakan Metode Ekualisasi Histogram dan LBP Stefano Akbar; Muhammad Syaiful Qisam; Gladyns Anandita Yasmin
Journal of Electronics and Instrumentation Vol. 1 No. 1 (2023)
Publisher : Fakultas MIPA, Universitas Jember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.19184/jei.v1i1.662

Abstract

Kanker merupakan salah satu penyebab kematian terbanyak di seluruh dunia. Pada Pada tahun 2020, jumlah kasus kanker di Indonesia mencapai 396.914 jiwa, dengan 34.783 (sekitar 8,8% dari total kasus) di antaranya adalah kanker paru-paru. Faktor penyebab kanker pada paru-paru paling umum adalah akibat asap rokok baik perokok aktif maupun pasif, polusi udara serta paparan pada lingkungan kerja juga ikut menjadi andil dalam menyebabkan kanker paru-paru. Alat yang mendiagnosa ada atau tidaknya kanker menggunakan Foto Rontgen atau biasa disebut dengan pesawat sinar-X. Tubuh akan dipancarkan sinar-X untuk memeriksa dan medeteksi keluhan dari pasien yang terpapar kanker. Metode ekualisasi histogram digunakan untuk meningkatkan kontras gambar dengan mendistribusikan ulang intensitas piksel secara merata. Metode LBP digunakan karena metode tersebut menggunakan perhitungan sederhana di setiap piksel citra. Metode LBP juga tidak membutuhkan banyak data latih untuk dapat memberi hasil yang baik. Tahap akhir dilakukan metode SVM untuk mengukur nilai akurasi dan presisi dari pengolahan citra yang dilakukan. Perataan histogram dan ekstraksi tekstur LBP digunakan untuk menganalisis radiografi kanker paru. Perataan histogram meningkatkan kontras gambar, sedangkan ekstraksi LBP memberikan informasi tentang tekstur gambar. Berdasarkan hasil ekstraksi LBP, terlihat adanya kelainan pada paru-paru, karena beberapa bagian memiliki kecerahan yang serupa. Hasil ekstraksi LBP yang dianalisis SVM dan hasilnya menunjukkan akurasi hasil pengujian sekitar 62,5% dengan akurasi 57,142%.
Klasifikasi Pes Planus Menggunakan Ekstraksi Fitur HOG dan BoF dengan Random Forest Stefano Akbar; Fahreza, Rafi Achmad; Fery Ferdianto; Desy Fitria Wulandari; Erviana Widia Astuti
Journal of Electronics and Instrumentation Vol. 1 No. 3 (2024)
Publisher : Fakultas MIPA, Universitas Jember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.19184/jei.v1i3.980

Abstract

Salah satu kontribusi fisika dalam bidang kesehatan adalah membantu proses diagnosis penyakit melalui citra medis, salah satunya untuk mendeteksi flat foot atau Pes Planus. Pada penelitian ini, metode ekstraksi dan pemilihan fitur digunakan untuk meningkatkan akurasi klasifikasi flat foot dengan menggunakan teknik machine learning. Histogram of Oriented Gradients (HOG) merupakan teknik ekstraksi fitur yang mengelompokkan nilai gradien piksel berdasarkan orientasi pada setiap bagian lokal dari citra, sedangkan Bag of Features (BoF) atau Bag of Words merupakan pendekatan yang memperlakukan ciri-ciri dari gambar sebagai fitur yang dapat diolah. Penelitian ini mengekstraksi gambar menjadi histogram dan mengidentifikasi fitur penting dari distribusi gradien intensitas piksel. Pemilihan fitur tambahan (additional features) dilakukan berdasarkan tingkat pengaruhnya terhadap model Random Forest. Data yang digunakan berjumlah 307 sampel, yang dibagi dalam beberapa lipatan menggunakan variasi nilai k-fold untuk memperoleh hasil validasi terbaik dan hasil pembelajaran optimal, dengan teknik sampling stratified. Hasil penelitian menunjukkan bahwa metode BoF mampu mengklasifikasikan Pes Planus berdasarkan fitur jejak kaki dengan akurasi 77,81%. Namun, metode HOG memiliki tingkat akurasi yang lebih tinggi, yaitu 85,67%
Co-Authors Desy Fitria Wulandari Erviana Widia Astuti Fahreza, Rafi Achmad Fery Ferdianto Gladyns Anandita Yasmin Muhammad Syaiful Qisam