Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Journal of Electronics and Instrumentation
Erviana Widia Astuti
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 
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%
Efektivitas K-Means Clustering dan GMM dalam Menentukan Klaster Organ dan Jaringan Kanker Pada Paru-paru Berdasarkan Nilai HU CT Thorax Fahreza, Rafi Achmad; Erviana Widia Astuti
Journal of Electronics and Instrumentation Vol. 2 No. 2 (2025)
Publisher : Fakultas MIPA, Universitas Jember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.19184/jei.v2i2.1666

Abstract

Penelitian ini membandingkan efektivitas dua algoritma klasterisasi, Gaussian Mixture Model (GMM) dan K-Means, dalam mengelompokkan jaringan pada citra CT scan toraks dengan diagnosis adenokarsinoma berdasarkan nilai Hounsfield Unit (HU). Dalam penelitian ini, nilai HU yang mewakili berbagai jenis jaringan, seperti udara, lemak, otot, dan tulang, diekstraksi dan diklasifikasikan menggunakan kedua algoritma tersebut. GMM menggunakan pendekatan probabilistik yang lebih fleksibel dalam menangani variasi densitas jaringan, sementara K-Means bekerja dengan memisahkan data berdasarkan jarak terdekat dari pusat klaster. Hasil menunjukkan bahwa GMM memberikan performa klasterisasi yang lebih unggul dengan Silhouette Score 0,7447, dibandingkan dengan K-Means yang memperoleh skor 0,70. GMM mampu memisahkan jaringan yang lebih kompleks dengan akurasi lebih tinggi, khususnya pada jaringan dengan nilai HU yang tumpang tindih, seperti jaringan otot dan adenokarsinoma. Oleh karena itu, GMM dinilai lebih efektif dan andal untuk analisis segmentasi pada data medis yang kompleks, seperti diagnosis kanker paru-paru berbasis citra CT scan.
Co-Authors Desy Fitria Wulandari Fahreza, Rafi Achmad Fery Ferdianto Stefano Akbar